Heurísticas neuronales admisibles para búsqueda combinatoria
Descubre cómo entrenar redes neuronales que nunca sobreestiman el coste restante, garantizando la optimalidad en puzzles como el cubo de Rubik, reduciendo nodos explorados hasta un 83%.
#ritmo
Red Neuronal RBF Multicolumna con PSO Adaptativo y No Adaptativo
¡Mejora precisión y velocidad con redes RBF multicolumna usando PSO adaptativo y no adaptativo! Descubre resultados.
No apuestes, GAMBLe: Marco analítico para sistemas de investigación con IA
Descubre cómo el marco GAMBLe analiza sistemas de investigación con IA, revelando que combinaciones adecuadas mejoran rendimiento hasta 67% y eficiencia 39x.
Optimización de certificados explícitos de cota inferior para distancia unitaria
Descubre cómo optimizar certificados de cota inferior para distancia unitaria mediante algoritmos de optimización entera, mejorando la cota de Erdős a n^{1.0152
Aprendizaje bayesiano disperso para núcleos de interacción Motsch-Tadmor
Aprende cómo un algoritmo SBL estima núcleos de interacción en el modelo Motsch-Tadmor, cuantificando incertidumbre a partir de datos de trayectoria.
Aprendizaje profundo bilevel para control óptimo de obstáculos
Método S2-FOBA: aprendizaje profundo bilevel de un solo bucle para control óptimo de obstáculos. Eficiente, sin malla y escalable a dominios complejos.
Recuperación parcial y consistencia débil en HSBM no uniforme
Descubre cómo un nuevo algoritmo espectral logra recuperación parcial y consistencia débil en el modelo HSBM no uniforme para detección de comunidades en hipergrafos.
Recuperación exacta en hipergrafos: modelo de bloques estocástico
Descubre cómo recuperar comunidades exactas en hipergrafos no uniformes con algoritmos óptimos. Un umbral preciso incluso si las capas individuales fallan.
MCMC sin evaluar el objetivo: enfoque de variable auxiliar
Descubre cómo un nuevo marco unifica y mejora algoritmos MCMC usando variables auxiliares, sin necesidad de evaluar la distribución objetivo. Mejor rendimiento en datos sintéticos y reales.
Inversión rápida de datos en procesos Ornstein-Uhlenbeck de alta dimensión
Método innovador para inversión rápida de datos en procesos Ornstein-Uhlenbeck de alta dimensión, con mejor filtrado y estimación geofísica.
Parsimonia tonal en análisis de secuencias de acordes: algoritmos exactos
Descubre cómo la parsimonia tonal optimiza secuencias de acordes: reduce modulaciones y vocabulario. Algoritmos exactos para armonía.
FFR: Aprendizaje Forward-Forward para Regresión
Descubre FFR, el primer algoritmo Forward-Forward para regresión que iguala el 98.6% de precisión de backprop con solo un 27% de memoria. ¡Innovación en IA!
Complejidad polinomial de iteración de políticas para MDP robustos L∞
Descubre cómo la iteración de políticas alcanza tiempo polinomial fuerte para MDPs robustos con conjuntos L∞. Un avance clave en optimización secuencial.
DeMuon: Optimización Matricial Descentralizada en Grafos
Descubre DeMuon, el primer método descentralizado para optimización matricial en grafos con garantías de convergencia. Mejora el entrenamiento de transformers.
Algoritmo de gradiente no monótono para NMF simétrica y clustering
Algoritmo SNMPBB: gradiente no monótono para NMF simétrica. 6x más rápido que alternativas y superior en clustering de grafos. ¡Optimiza!
De no convexo a fuertemente convexo: FTPL adaptativo para optimización online
Descubre cómo FTPL se adapta a la curvatura en optimización online, logrando desde O(√T) hasta O(log T) de regret sin conocer la curvatura por adelantado.
Aprendizaje de Estructura Causal Temporal con Optimización Diferenciable
Descubre un método de optimización diferenciable que aprende estructuras causales en series temporales de forma rápida y precisa, superando a 12 algoritmos.
Degustación de manzanas con dos acciones y costos de cambio
Descubre cómo los investigadores demostraron una cota de arrepentimiento de orden √T para el problema de degustación. ¡Lee el artículo!
Razonamiento Algorítmico Neuronal Contrastivo para Coloreado de Grafos
Descubre cómo el aprendizaje contrastivo permite a las GNN colorear grafos minimizando conflictos, superando métodos greedy. Resultados en grafos reales.
Arrepentimiento de intercambio coherente y aprendizaje a prueba de canales
Nuevo algoritmo de aprendizaje minimiza el arrepentimiento de intercambio coherente en juegos cuánticos. Equilibrio correlacionado separable y auditoría SDP.