Análisis preciso del muestreo por conjuntos lineales
Analizamos el muestreo por ensamble lineal en bandidos lineales: demostramos una cota de regret casi óptima con tamaño de conjunto Θ(d log n). ¡Lee el análisis!
#sampl
¿La atención es solo acoplamiento? Una perspectiva ODE jerárquica
Explora cómo el acoplamiento en transformers se modela con ecuaciones rápido-lento. Jerarquico sin ganancia de rendimiento pero con interpretacion teorica.
MDForge: Diseño de Pipelines MD con Agentes bajo Retroalimentación Escasa
MDForge automatiza el diseño de pipelines de dinámica molecular con agentes LLM, superando a expertos y descubriendo un nuevo ligando de alta afinidad. ¡Lee más!
JailbreakOPT: Optimización iterativa de jailbreak con herramientas
JailbreakOPT optimiza prompts de jailbreak iterativamente, mejorando la tasa de éxito y reduciendo consultas necesarias. Aumenta la eficacia de tus ataques.
Re-muestreo Few-Shot para minería de datos sólida y escalable
FewRS reduce drásticamente el tiempo de validación estadística en minería de datos, manteniendo alta potencia y escalabilidad. Descúbrelo.
Optimalidad asintótica de Thompson Sampling para bandidos aversos al riesgo
Un algoritmo de Thompson Sampling no paramétrico logra optimalidad asintótica en bandidos aversos al riesgo con recompensas subgaussianas.
Wedge Sampling: completación tensorial con complejidad casi lineal
Descubre cómo Wedge Sampling optimiza la completación de tensores con complejidad casi lineal, cerrando la brecha estadístico-computacional.
LLMs para clasificación desbalanceada: diversidad crucial
Descubre cómo un nuevo oversampling con LLMs genera muestras sintéticas diversas para clasificación desbalanceada. Supera a 8 métodos.
Poda estructurada de neuronas en redes profundas usando bandidos multibrazo
Descubre cómo la poda estructurada de neuronas con algoritmos de bandidos multibrazo reduce modelos de deep learning eliminando unidades redundantes, mejorando eficiencia sin perder precisión.
EVILL: exploración eficaz en bandidos con perturbación lineal
Descubre EVILL, un revolucionario método de exploración para bandidos estocásticos. A diferencia de PHE, usa perturbaciones lineales en la pérdida para lograr mejores resultados. Ideal para IA.
Cuándo y por qué funciona la exploración aleatoria en bandidos lineales
Exploración aleatoria (Thompson sampling) logra arrepentimiento óptimo en bandidos lineales con espacios convexos. ¡Un avance clave!
RMPrior: Priors de propagación y refinamiento por difusión en mapas de radio
Aprende cómo RMPrior combina priors de propagación y difusión para crear mapas de radio 2x más rápido con mejor precisión.
HRTFformer: Transformer espacial para upsampling de HRTF
Descubre cómo HRTFformer, un transformer consciente del espacio, revoluciona el upsampling de HRTF para audio inmersivo realista con alta precisión y fidelidad.