Transferencia estructurada en clústeres con fuentes heterogéneas
Optimiza el transfer learning agrupando fuentes heterogéneas: Trans-GLMC mejora predicción de suicidio en hospitales.
#ritmo
Decisiones aversas al riesgo con garantía condicional a la acción
Descubre el nuevo método de predicción conforme que ofrece garantías condicionales a la acción para decisiones aversas al riesgo. Mejora la seguridad en IA.
Toma de decisiones adversa al riesgo con garantía condicional a la acción
Nuevo método de predicción conforme condicional a la acción para decisiones adversas al riesgo con garantías explícitas. Mejora sobre enfoques anteriores.
Encontrando los Conjuntos Más Influyentes
Descubre cómo un nuevo algoritmo identifica los conjuntos más influyentes en grandes datasets con complejidad O(n), reduciendo millones de opciones a un problema top-k.
Convergencia Rápida y Robusta de TD(0) con Aproximación Lineal
Descubre cómo TD(0) con aproximación lineal logra una convergencia rápida y robusta, con tasa óptima de 1/k y sin depender del menor autovalor. Ideal para aprendizaje por refuerzo.
Control basado en modelos y RL multiagente para estrategias cooperativas
MA-AC-MPC: fusión de control predictivo y RL multiagente para estrategias cooperativas seguras. Logra 100% de éxito en hardware con drones y robots.
Más allá de las recompensas en el aprendizaje por refuerzo para ciberdefensa
Descubre cómo las recompensas dispersas en el aprendizaje por refuerzo mejoran la ciberdefensa, ofreciendo políticas más seguras y efectivas que las densas.
Convergencia del Gradient Boosting Multicalibrado
Análisis de la convergencia del gradient boosting multicalibrado: garantías computacionales y experimentos en datos reales. Léelo ahora.
Estabilidad de los Algoritmos Online en la Predicción Performática
Los algoritmos online pueden estabilizarse en entornos de predicción performativa sin restricciones. Conoce la demostración que evita bucles de retroalimentación con aleatorización.
Escape eficiente de puntos de silla bajo suavidad generalizada
Descubre cómo escapar eficientemente de puntos de silla en funciones no convexas con suavidad generalizada. Nuevos resultados de convergencia para métodos de primer orden.
Privacidad Diferencial y Topología en Aprendizaje Federado
Descubre cómo TADI y Fulcrum protegen la privacidad en aprendizaje federado frente a filtraciones por topología. Mejora la seguridad sin coste en utilidad.
Aprendizaje para optimizar con garantías: algoritmos lineales convergentes
Descubre cómo mejorar el rendimiento promedio de algoritmos de optimización manteniendo garantías de convergencia lineal. Aplicaciones en IA y control predictivo.
Minimax óptimo en datos sintéticos con privacidad diferencial
Descubre cómo un nuevo algoritmo logra un error minimax óptimo en datos sintéticos con privacidad diferencial para consultas suaves, mejorando la utilidad en análisis de datos sensibles.
Comparación de algoritmos de ML para mapeo de cultivos en temporada
Descubre cómo los algoritmos de machine learning comparan en precisión para mapear cultivos de maíz y almendras usando imágenes satelitales antes de la cosecha.
SVM robusto y disperso con pérdida truncada híbrida para clasificación supervisada
Nueva función de pérdida truncada híbrida para SVM mejora robustez frente a outliers, reduce vectores de soporte y logra mayor precisión en clasificación supervisada.
Algoritmo Hvala: Publicación y Análisis de Rendimiento
El algoritmo Hvala (v0.1.2) logra ratio 1.192 en tiempo lineal. Su límite inferior desafía la conjetura P≠NP. Entra para conocer los detalles.
Lotería invisible: señales sutiles influyen en la elección de algoritmo en LLM
Descubre cómo señales sutiles en prompts dirigen la elección de algoritmo en LLM, afectando rendimiento y seguridad. Basado en 46,535 experimentos.
Desaprendizaje exacto en aprendizaje por refuerzo
Descubre cómo un nuevo algoritmo de RL permite eliminar datos de usuarios de forma exacta y eficiente, reduciendo el costo computacional. ¡Optimiza la privacidad!
Cohomología de haces incremental: ediciones perezosas O(1) en complejos celulares
Algoritmo O(1) para ediciones perezosas en cohomología de haces. Mantén complejos dinámicos actualizados con baja latencia. Ideal para grandes datos.
Redondeo Adaptativo que Preserva el Modelo
Descubre YAQA: algoritmo de redondeo adaptativo que reduce el error de cuantización un 30% frente a GPTQ. Cotas de error garantizadas sin coste de inferencia.