Descubrimiento Causal Robusto en Series Temporales Reales con Leyes de Potencia
Descubre cómo las leyes de potencia mejoran el descubrimiento causal en series temporales reales, reduciendo ruido y obteniendo inferencias fiables.
#robustez
Descubrimiento Causal Robusto en Series Temporales con Leyes de Potencia
Descubre cómo un método basado en leyes de potencia extrae señales causales reales en series temporales, superando el ruido y mejorando la precisión.
Aprendizaje resistente a ruido de etiquetas con OBD
Descubre cómo el enmascaramiento OBD intercepta gradientes ruidosos y mejora la robustez ante etiquetas erróneas. Resultados superiores en benchmarks.
Enrutamiento Sinkhorn Selectivo para Mezclas Dispersas de Expertos
Mejora el rendimiento de mezclas dispersas de expertos con enrutamiento Sinkhorn selectivo. Sin pérdidas auxiliares, mayor eficiencia y robustez.
Máscaras que distraen: comprensión contextual en modelos de difusión
Los MDLM tienen dos grandes problemas: sesgo local y distracción por máscaras. Descubre cómo un nuevo método de ajuste mejora la comprensión contextual.
Desentrañando la Estructura Dinámica Oculta en Políticas Neuronales Recurrentes
Descubre cómo los ciclos límite en políticas neuronales recurrentes explican su robustez y adaptación. Análisis desde sistemas dinámicos.
Robustez de la dinámica de Langevin ante errores en la función score
Descubre por qué la dinámica de Langevin falla ante errores mínimos en la función score, mientras que los modelos de difusión son robustos. Análisis técnico.
Marco diferenciable para inversión completa y sin fase con redes neuronales
Marco diferenciable con redes neuronales implícitas mejora inversión completa y sin fase, ofreciendo precisión y robustez incluso con mediciones ruidosas.
StableRCA: Análisis Robusto de Causa Raíz a Nivel de Mecanismo
StableRCA identifica las causas raíz de anomalías sin un grafo causal completo, con robustez y escalabilidad. Ideal para manufactura, nube y salud.
CaliDist: Calibración de LLMs con Robustez ante Distracciones
Descubre CaliDist, un método post-hoc que calibra LLMs midiendo su estabilidad ante distracciones. Reduce el error de calibración un 70%.
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.
OrderGrad: optimiza más allá de la media con gradientes de estadísticos de orden
Descubre OrderGrad, un método unificado para optimizar objetivos de estadísticos de orden como VaR, CVaR y medias recortadas en aprendizaje por refuerzo. Ideal para tareas de riesgo y robustez.