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.
#tm
Multiplicidad de modelos y arbitrariedad predictiva en evaluación de riesgo de reincidencia
¿Sabías que múltiples modelos de IA pueden dar predicciones distintas para el mismo caso? Aprende cómo mitigar la arbitrariedad en evaluación de riesgo de reincidencia.
Aprendizaje de redes con Gromov-Wasserstein semirrelajado
Descubre cómo el algoritmo semi-relajado de Gromov-Wasserstein permite estimar la estructura latente de redes masivas de forma eficiente, con garantías de consistencia y convergencia óptima.
Detección de arritmias con TinyML y autoencoder en sistemas embebidos
Descubre cómo un modelo TinyML basado en autoencoder detecta arritmias en tiempo real en microcontroladores, con alta precisión y bajo consumo.
Arrepentimiento minimax-óptimo en juegos de Markov parcialmente observables
Algoritmo optimista logra arrepentimiento minimax-óptimo en POMG. Complejidad O(√T) con dependencia de la dimensión de Eluder.
Trading de Bitcoin con ML ante costos de transacción
¿Funciona el ML para trading de Bitcoin? Analizamos XGBoost, LSTM e iTransformer y cómo un filtro por costos de transacción mejora los resultados.
Autoresearch descubre ataques adversariales avanzados para LLMs
Descubre cómo la IA logra encontrar nuevos métodos de ataque adversarial contra LLMs, superando defensas avanzadas con tasas de éxito del 80% y 100%.
Cuantización Consciente del Producto Interno: Algoritmos Rápidos y Adaptativos
Descubre cómo los algoritmos de cuantización adaptativa preservan el producto interno de vectores, ofreciendo precisión y velocidad hasta 10 veces mayor.
Cuantificación precisa de incertidumbre en grandes muestras con SG-MCMC
Descubre cómo nuevas aproximaciones discretas a SGLD permiten cuantificar incertidumbre en grandes conjuntos de datos para mejor ajuste y robustez.
PE-means: Mejora del clustering k-means con privacidad diferencial
Descubre cómo PE-means mejora el clustering k-means con privacidad diferencial, logrando un 20% menos de pérdida. Una solución innovadora y eficiente.
GLENS: Búsqueda global con difusión desde iteraciones del solver
Descubre GLENS, un método que usa modelos de difusión para generar inicializaciones diversas y de alta calidad, acelerando la convergencia en optimización no convexa.
¿Cuánta ortogonalización necesita Muon?
Descubre cuánta ortogonalización necesita el optimizador Muon para entrenar redes neuronales de forma eficiente sin sacrificar precisión.
Muestreo de Thompson sensible a la varianza en bandidos lineales generalizados
Nueva demostración de cotas de arrepentimiento sensibles a la varianza para el muestreo de Thompson en bandidos lineales generalizados. Análisis teórico que supera limitaciones previas.
Reescalado adaptativo monótono sin hiperparámetros para colas largas
Nuevo método SAMN elimina hiperparámetros en reescalado adaptativo monótono para colas largas. Resultados SOTA en benchmarks.
Guerra algorítmica: botnets de Reddit y SEO inverso envenenan búsqueda IA
Descubre cómo botnets de Reddit y SEO inverso manipulan la búsqueda con IA en réplicas de lujo. Análisis OSINT de astroturfing y guerra digital.
El conjunto de datos defectuoso detrás de la ética de la IA moderna
Descubre cómo el conjunto de datos defectuoso de la ética provoca fallos en la IA y por qué necesitamos un nuevo modelo axiomático aditivo.
Inferencia eficiente en tiempo de test para modelos de planificación generativa
Optimiza la inferencia en tiempo de prueba con el algoritmo OCL, mejorando eficiencia y calidad de soluciones en planificación generativa.
Optimización offline regularizada con creencia bayesiana híbrida posterior
Nuevo método unifica incertidumbre epistémica y de modelo en RL offline. Optimización regularizada con creencia bayesiana híbrida.
Evaluación de generalización en RL mediante certificados
Descubre cómo los certificados neurales validan la generalización de algoritmos de RL en entornos continuos, correlacionando violaciones con éxito en tareas no vistas.
Feeds adversariales dirigen a agentes LLM contra sus valores predeterminados
Los feeds adversariales desvían decisiones de agentes LLM de sus valores predeterminados. Estudio revela impacto en seguridad y defensas. ¡Descúbrelo!