Regularización de las GANs de Wasserstein
Descubre cómo una regularización débil mejora el entrenamiento de Wasserstein GANs, superando problemas de convergencia y optimizando la restricción Lipschitz.
#regularización
Rompiendo la maldición de la reversión en modelos de lenguaje autoregresivos
El Puente de Identidad: un simple ajuste en los datos de entrenamiento que rompe la maldición de la reversión en modelos de lenguaje. Logra un 50% de éxito.
Regularización implícita para selección de características multi-etiqueta
Descubre cómo la regularización implícita mejora la selección de características en problemas multi-etiqueta, reduciendo sesgo y permitiendo un sobreajuste beni
El grafo como regularización natural: revisitando la cuantización vectorial
Descubre cómo RGVQ evita el colapso del codebook en grafos usando regularización topológica y contrastiva para tokens más expresivos.
El redondeo estocástico aumenta los valores singulares pequeños
El nuevo estudio muestra que el redondeo estocástico regulariza todo el espectro de valores singulares, no solo los más pequeños.
Ley de escalado de datos para meta-aprendizaje con minimización de complejidad
Descubre cómo la minimización de complejidad demuestra que el meta-aprendizaje escala con datos, mejorando la eficiencia en pocos ejemplos.
CDOT: Transporte Óptimo Convexo de Distancias
Descubre CDOT, un marco convexo de transporte óptimo que alinea distribuciones heterogéneas preservando geometría. Mejora robustez y precisión.
Cómo la optimalidad estructura diccionarios dispersos: teoría SAE
Descubre cómo la teoría de optimalidad explica el comportamiento de los Autoencoders Dispersos (SAE) y sus diccionarios dispersos. Mejora la interpretabilidad de las representaciones neuronales.
Covarianza Robusta por Celdas y Casos en Altas Dimensiones
Descubre cellRCov, un estimador robusto de covarianza que maneja outliers celda a celda, por casos y datos faltantes en altas dimensiones. Ideal para detección de anomalías.
Control regularizado con KL bien planteado vía divergencias Wasserstein y Kalman-Wasserstein
Nuevas divergencias Wasserstein y Kalman-Wasserstein mejoran el control KL, ofreciendo soluciones estables incluso con ruido bajo: doble integrador y cart-pole.
Verosimilitud empírica con IA generativa
Descubre cómo la verosimilitud empírica con IA generativa permite inferencias robustas usando datos sintéticos. Método bayesiano eficiente.
Inferencia robusta de heterogeneidad de riesgo en grupos desbalanceados
Descubre cómo un nuevo método robusto basado en Neyman ortogonalidad revela diferencias étnicas en riesgo de mortalidad en UCI que otros métodos no detectan.
FM-IRL: Flow-Matching para modelado de recompensas y regularización en RL
Descubre cómo FM-IRL combina Flow-Matching con RL para mejorar la exploración y generalización en políticas de aprendizaje por refuerzo.
Regularización óptima para aprendizaje performativo
Descubre cómo la regularización óptima reduce el riesgo en aprendizaje performativo, beneficiándose incluso en regímenes sobreparametrizados. Clave para IA robusta.
FIRM: Alineación multiobjetivo regularizada en cliente federada
FIRM alinea LLMs con múltiples objetivos eficientemente y en privado usando aprendizaje federado. Mejora equilibrio entre utilidad e inocuidad.
Aprendizaje de modelos híbridos consciente de nitidez para estimar parámetros
Aprendizaje híbrido con minimización de nitidez (SAM) para estimar parámetros científicos de forma robusta y precisa, basado en Occam. ¡Descubre cómo!
Topología y texto importan: Detección OOD en grafos con texto usando LLMs
Descubre LG-Plug, un marco plug-and-play que alinea topología y texto para detectar nodos fuera de distribución en grafos textuales, reduciendo FPR95 >7%.
Mejor fuente, mejor flujo: Distribución condicional en Flow Matching
Aprende cómo la distribución de fuente condicional optimizada en Flow Matching acelera la convergencia hasta 3x y mejora la calidad en generación texto-imagen.
RADE: Regularización con adición y eliminación aleatoria de aristas
RADE: aumento estocástico de aristas que reduce sobreajuste y sobre-compresión en GNNs. Sin desalineación entrenamiento-inferencia, mejora el rendimiento.
Certificación no vacía de Transport MCMC con flujos normalizadores
Certificación no vacía de MCMC de transporte: nuevos límites de brecha espectral con flujos normalizadores. Ideal para muestreo bayesiano.