Desigualdad de McDiarmid: tensorización aproximada de entropía bajo dependencia
Aprende cómo la tensorización de entropía extiende la desigualdad de McDiarmid a datos dependientes. Aplicaciones en ML, grafos aleatorios y más.
#teoría de aprendizaje
AI4SLT: Formalización de Teoría de Aprendizaje Estadístico en Lean 4
Primera formalización integral de teoría de aprendizaje estadístico en Lean 4 usando procesos empíricos. Colaboración humano-IA para demostraciones verificadas de concentración gaussiana y regresión.
ATLAS: Aprendizaje Activo de Teorías para Ciencia Automatizada
Descubre cómo ATLAS diseña experimentos para modelos mecanicistas interpretables, con 5-10x más eficiencia muestral. Ideal para ciencia automatizada.
Desacoplamiento Estructural: Generalización y Alineación con Flujo-Andamio
Descubre la teoría de flujo-andamio: cómo el desacoplamiento estructural mejora generalización y alineación en IA.
Desacoplamiento Estructural: Teoría de Andamio-Flujo
Descubre cómo el desacoplamiento estructural mejora la generalización y alineación en IA, explicando fallos de seguridad como alucinaciones y alineación engañosa.
Complejidad puntual en campos gaussianos: envolventes, cotas y separación
Un nuevo teorema de envolventes para campos gaussianos que ofrece cotas inferiores algorítmicas y separación, clave para modelos sobreparametrizados en IA y ciberseguridad.
Más allá de los regímenes lineales: Autoencoders con cuello de botella
Descubre cómo el análisis de campo medio explica el entrenamiento de autoencoders no lineales con cuello de botella y su convergencia al óptimo.
Estabilidad más allá de diferencias acotadas: límites con momentos L_p
Descubre cómo la estabilidad L_p genera límites de generalización robustos con pérdidas pesadas, superando diferencias acotadas.
Límites ajustados de replicabilidad vía teorema de cobertura esférica
Descubre cómo un nuevo teorema de cobertura esférica, basado en Borsuk-Ulam, establece límites óptimos para la replicabilidad de listas en IA.
Deep Learning como la construcción disciplinada de objetos dóciles
Exploramos cómo la geometría dócil proporciona un marco matemático para garantizar la convergencia del descenso de gradiente en deep learning, incluso en entornos no lisos y no convexos.
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.
Simetrías en el aprendizaje PAC-Bayesiano
Descubre cómo las simetrías no compactas mejoran las cotas de generalización en PAC-Bayes. Experimentos validan la teoría.
Marco teórico para la evaluabilidad estadística de modelos generativos
Nuevo marco teórico para evaluar modelos generativos. Analizamos IPMs, divergencias y perplexidad. Ideal para investigadores en IA.
La profundidad de inclusión de lenguajes de patrones: un problema abierto
Explora el problema abierto de la profundidad de inclusión en lenguajes de patrones: un reto que combina combinatoria y computabilidad.