Descubrimiento causal basado en gradientes en procesos industriales
Descubre GRNGC, el nuevo marco de gradientes para inferencia causal eficiente en procesos industriales.
#regularización
Fuga inducida por ruido de fases metaestables explica el grokking
Descubre cómo el ruido en el SGD permite escapar de fases metaestables y provoca el grokking, un fenómeno clave en la generalización de redes neuronales.
Fuga por ruido de fases metastables explica Grokking en redes profundas
Descubre cómo el ruido en SGD permite escapar de fases metastables, explicando el fenómeno de Grokking y la generalización tardía en redes profundas.
MM++: Detección OOD no supervisada y multiescala con fusión de características
MM++: detección OOD no supervisada y multiescala. Fusiona capas de red para identificar anomalías sin datos auxiliares ni reentrenamiento.
Factorización de matrices no negativas con regularización topológica
Descubre cómo la regularización topológica mejora la interpretabilidad en NMF, usando homología persistente para bases coherentes en imágenes, series y grafos.
Reduciendo la redundancia en boosting con ortogonalización residual
Descubre SCBoost: un nuevo algoritmo que reduce la redundancia en boosting mediante ortogonalización residual, mejorando precisión y eficiencia en modelos
RLHF en línea regularizado y eficiente con preferencias bilineales
Nuevo estudio demuestra que el arrepentimiento polilogarítmico en RLHF es posible con regularización genérica y preferencias bilineales, no solo con KL.
Autoencoders Dispersos Estables y Manejables con Regularización de Pesos
Descubre cómo la regularización de pesos en autoencoders dispersos logra características más estables y manejables, duplicando el éxito de control sin perder
Teorema de Polyak-Ruppert para SA-Adam con momento y precondicionamiento adaptativo
Descubre cómo el teorema de Polyak-Ruppert aplica al optimizador SA-Adam con momento, mostrando que la adaptividad es asintóticamente invisible. Implicaciones
Factorización de Matrices No Negativas con Regularización Topológica
Descubre cómo la homología persistente mejora la factorización de matrices no negativas para obtener bases interpretables en imágenes, series temporales y
Reduciendo la redundancia de aprendices en Boosting mediante ortogonalización residual
SCBoost reduce la redundancia en boosting mediante ortogonalización residual. Proyección espectral y regularización de covarianza mejoran precisión y F1.
Submuestreo activo para estimar umbrales individualizados en alta dimensión
Aprende cómo el submuestreo activo mejora la estimación de umbrales individualizados en alta dimensión con presupuesto limitado.
Identificación de maniobras navales con ML regularizado y CFD
Estudio comparativo de técnicas de ML regularizado para identificar maniobras de barcos a partir de datos CFD. Ridge regression ofrece el mejor balance entre
Privacidad Diferencial del Muestreo Posterior de Procesos Gaussianos
Descubre cómo el muestreo posterior de GP garantiza privacidad diferencial sin ruido. Regularización y ataques de inferencia.
VAEs con flujos geométricos latentes estables de alta dimensión para dinámicas
Descubre cómo los autoencoders variacionales con flujos geométricos latentes mejoran la representación de dinámicas en PDEs, reduciendo errores OOD hasta 35%.
Entrenamiento de redes neuronales con dropout: una perspectiva de percolación
Descubre cómo el fenómeno de percolación afecta el entrenamiento de redes neuronales con dropout, pudiendo causar un colapso en la predicción.
Inyección neuro-simbólica de LTLf en RL autorregresivo
Descubre cómo inyectar conocimiento LTLf en políticas de RL autorregresivas para mejorar el cumplimiento de restricciones temporales sin sacrificar recompensas.
CogGuard: Perfil Cognitivo-Operacional para Advertencia Proactiva en Edge
CogGuard: advertencia proactiva que reduce 48% tiempo de construcción de perfiles y 19% ajuste fino distribuido.
Escaleras de Kernel Browniano
Descubre cómo las Escaleras de Kernel Browniano crean espacios de funciones jerárquicas matemáticamente tratables para aprendizaje profundo, con garantías de
Escaleras de Kernel Browniano
Descubre las Escaleras de Kernel Browniano: un marco matemático para representaciones jerárquicas en deep learning con cotas de error casi paramétricas.