Equilibrios no lineales en modelos de juego potencial para aprendizaje federado
Descubre cómo los modelos de juego potencial revelan transiciones críticas en el aprendizaje federado, optimizando el equilibrio entre esfuerzo y recompensa.
#tm
Avances en agrupamiento local en grafos mediante detección compresiva
Descubre cómo los nuevos métodos de agrupamiento local en grafos mediante detección compresiva logran resultados de vanguardia con pocos datos etiquetados.
Sensado comprimido adaptativo: estimación eficiente del eigenvector principal
Nuevo análisis muestra que el sensado adaptativo comprimido alcanza convergencia global con solo dos medidas por iteración, revelando límites insuperables frente a métodos no adaptativos.
Optimización Adaptativa Humana para Pronósticos de Series Temporales
Optimiza pronósticos de series temporales con correcciones adaptativas y humanos en el bucle. Mejora precisión sin reentrenar, usando IA.
Aprendizaje de bandidos robustos con mecanismos causales inciertos
Descubre cómo evaluar y aprender políticas de bandidos robustas frente a mecanismos causales inciertos usando modelos SEM. Optimiza tus decisiones con IA.
Algoritmo mejorado para bandidos contextuales lineales adversariales
Descubre un nuevo algoritmo que logra regret casi óptimo en tiempo polinomial para bandidos contextuales lineales con pérdidas adversariales, sin necesidad de simulador.
Compensación entre eficiencia y confianza en predicción conforme transductiva
Descubre dilema en predicción conforme transductiva: mayor confianza implica conjuntos exponencialmente grandes. Nuevo algoritmo supera métodos tradicionales.
FedCF: Predicción conforme justa en aprendizaje federado
FedCF aplica equidad conforme en aprendizaje federado para garantizar cobertura justa en subgrupos. Aprende cómo auditar tu modelo.
Aprendizaje auto-supervisado interpretable con Representer Landmarks
Aprende cómo KREPES analiza representaciones de aprendizaje auto-supervisado, detecta sesgos y cuantifica transparencia con nuevas métricas. Perfecto para entender modelos de IA.
Generalización de los algoritmos Gibbs y Langevin Monte Carlo en el régimen de interpolación
Nuevas cotas de generalización para algoritmos Monte Carlo en el régimen de interpolación, con resultados en MNIST, CIFAR-10 y SVHN.
Aprendizaje robusto de neurona DRO grupal
Algoritmo eficiente para aprendizaje robusto de neuronas con DRO grupal, tolerante a ruido y cambios de distribución. Ideal para preentrenamiento de LLMs.
Exploración adaptativa para bandidos con estado latente
Descubre cómo los algoritmos adaptativos mejoran la exploración en bandidos con estado latente, reduciendo el arrepentimiento dinámico mediante resúmenes y pruebas de actualización.
Aprendizaje online en MDPs con transiciones y pérdidas adversariales parciales
Descubre nuevos algoritmos para MDPs con transiciones adversariales que logran regret sublineal. Basados en medidas de ocupación condicionadas.
Similitud de coseno en representaciones de etiquetas: lo que revela y lo que no
La similitud de coseno entre representaciones de etiquetas no revela las probabilidades del modelo. Descubre qué revela sobre clasificadores softmax y sigmoide.
Cómo manejar bandidos contextuales con dinámica de estados latentes
Descubre un enfoque directo para manejar bandidos contextuales con estados latentes. Aprende cómo reducir el problema a bandidos lineales y mejorar las decisiones en entornos inciertos.
Sesgo de prototipicalidad revela puntos ciegos en métricas multimodales
Descubre cómo el sesgo de prototipicalidad engaña a las métricas de modelos texto-imagen. Conoce PROTOBIAS, el benchmark que detecta fallos semánticos.
Modelado Inverso Codificado con Física para Predicción de Nieve Ártica
Descubre el modelo inverso PhysE-Inv que combina LSTM y física para predecir nieve ártica, reduciendo errores un 24.7%.
Las 10 mejores series ahora según datos de streaming
Descubre las 10 series más populares según datos de streaming. Análisis basado en inteligencia artificial y big data para identificar las tendencias del momento.
Propagación de Equilibrio para Sistemas No Conservativos
Descubre el nuevo algoritmo de propagación de equilibrio para sistemas no conservativos que calcula el gradiente exacto, con mejor rendimiento y aprendizaje más rápido.
Escalado temporal universal de 1/3 en distribuciones puntiagudas
El entrenamiento de LLMs converge lentamente por una razón fundamental: softmax y entropía cruzada generan un escalado de pérdida universal 1/3. Descubre las implicaciones.