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.
#tm
Identificación del mejor brazo: presupuesto fijo vs confianza fija
FC2FB transforma confianza fija en presupuesto fijo y demuestra igual complejidad hasta factores logarítmicos en identificación del mejor brazo.
Transformers con normalización de capa aprenden el método de potencia
Transformers con normalización de capa aprenden el método de potencia por gradiente descendente, revelando un sesgo algorítmico que mejora la predicción de componentes principales.
DistMatch: Agrupación Adaptativa para Predicción Conformal Secuencial
Descubre DistMatch, nuevo método de agrupación adaptativa que mejora la robustez de la predicción conforme secuencial ante cambios de distribución.
Dataset REST-ASMR: fotopletismografía y respuestas conductuales
Descubre REST-ASMR, un dataset multimodal que combina fotopletismografía y anotaciones subjetivas para predecir estados ASMR con alta precisión. Ideal para IA afectiva.
GNEP sin intercambio de multiplicadores: robótica y aprendizaje activo
Algoritmos GNEP sin compartir multiplicadores para robótica y aprendizaje activo con bandidos contextuales. Mejora eficiencia y privacidad.
Conciencia Parcial de Equidad en Aprendizaje Automático Estratégico
Descubre cómo la conciencia parcial de equidad resuelve el dilema entre transparencia y manipulación, mejorando la justicia en modelos de IA con un mecanismo guiado por creencias.
Programación de paquetes en línea con plazos y aprendizaje
Descubre cómo algoritmos de programación de paquetes en línea con plazos y aprendizaje bandido optimizan el QoS en redes, superando barreras de competitividad.
La estructura de la tarea invierte la codificación de estado por capas en modelos secuenciales
Descubre cómo la estructura de la tarea invierte la codificación de estado en modelos como Transformers y Mamba. Un estudio revela patrones opuestos en paridad y Dyck.
Clasificación Estratégica Lineal con Mejoras Endógenas
Exploramos la clasificación estratégica lineal donde los agentes mejoran realmente tras el clasificador. Nuevo algoritmo con garantías PAC y validación en datos reales.
DAGGER: Redes Amplificadoras Transitorias sin Gradiente
Descubre DAGGER, el nuevo algoritmo sin gradiente que construye redes amplificadoras transitorias con restricciones de conectividad. Hasta 100 veces más rápido.
Clasificación Estratégica Lineal con Mejoras Endógenas
Descubre cómo los clasificadores lineales pueden manejar mejoras genuinas de los agentes, optimizando resultados reales. Análisis, algoritmos y garantías teóricas.
DAGGER: construcción sin gradientes de redes amplificadoras transitorias
Descubre DAGGER, el nuevo algoritmo sin gradiente que construye redes amplificadoras transitorias preservando conectividad exacta. Hasta 100x más rápido.
GPTQ-intrinsic LoRA: Cuantización de baja precisión con adaptación de bajo rango
GPTQ-intrinsic LoRA: mejora la cuantización de baja precisión con corrección de bajo rango. Algoritmo casi óptimo para modelos grandes.
21cmEMUv3: emulador híbrido de observables del amanecer cósmico
Descubre 21cmEMUv3, emulador híbrido de difusión y LSTM que acelera la interpretación de observaciones del amanecer cósmico y reionización. Precisión subpercentual.
GPTQ-intrinsic LoRA: algoritmo cuasióptimo para cuantización y adaptación de bajo rango
GPTQ-intrinsic LoRA combina cuantización de baja precisión y adaptación de bajo rango para comprimir redes neuronales. Algoritmo sin entrenamiento mejora modelos como Qwen3 y DeiT.
Abstracción de espacios combinatorios con GNN para optimización no lineal
Descubre cómo un nuevo método de abstracción basado en grafos dirigidos y GNN optimiza la búsqueda en problemas de optimización combinatoria no lineal, mejorando resultados y robustez.
Aprendizaje en línea flexible de representaciones por similitud
Algoritmo en línea biológicamente plausible para representaciones dispersas e invariantes. Ideal para clustering, teselado y codificación en grandes datos.
Identificar-Explotar Guiado por Árboles: Bandidos Duelistas
Descubre TG-ITE, el primer marco unificado para bandidos duelistas que logra O(N) en BAI y arrepentimiento. Optimiza identificación y explotación.
Marco teórico para autoaprendizaje en demostración de teoremas
Descubre el marco teórico para algoritmos de auto-play que logran crecimiento exponencial de teoremas probados, con mejora de diversidad usando similitud de difusión.