ML científico para predicción de vida útil restante en motores
Descubre cómo el ML científico predice la vida útil de motores y su temperatura con incertidumbre cuantificada para un mantenimiento inteligente y seguro.
#tm
Ataques automáticos a agentes de IA de ingeniería inversa
Descubre cómo ataques adversariales mediante algoritmos genéticos pueden engañar a agentes de IA en ingeniería inversa, ocultando código malicioso en binarios.
Análisis sintáctico neuro-simbólico: red neuronal con algoritmo CYK
Descubre cómo la inyección del algoritmo CYK en redes neuronales supera a LLMs de 20B en análisis sintáctico. ¡Un salto neuro-simbólico!
Reutilización de habilidades como compresión en RL agentivo
ReuseRL aplica el principio de compresión para que agentes de IA generalicen mejor. Aumenta el éxito en ALFWorld y TextWorld. ¡Descúbrelo!
Rompiendo las burbujas de información con sistemas de recomendación
Descubre cómo HERec, un nuevo marco hiperbólico, rompe las burbujas de información al equilibrar exploración y explotación, mejorando la diversidad en tus recomendaciones.
¿Quién es responsable? Atribución en sistemas de IA modernos
Aprende a rastrear la responsabilidad en sistemas de IA modernos: nuestro marco cuantifica el impacto de cada etapa de desarrollo para una IA más responsable.
Difusión No Supervisada para Optimización Combinatoria vía Ajuste Adjunto
Descubre CAM, un método no supervisado de difusión para optimización combinatoria que supera soluciones supervisadas. Resultados competitivos sin datos etiquetados.
Convergencia lineal local en mezclas gaussianas sobreparametrizadas
Descubre cómo los métodos de gradiente logran convergencia lineal en mezclas gaussianas sobreparametrizadas, superando la lentitud tradicional. Leer más.
Codificación Predictiva con Lagrangiano Aumentado
Descubre PC-ALM: un algoritmo de codificación predictiva que iguala el rendimiento de la retropropagación usando dinámicas locales. Ideal para redes profundas.
Aprendizaje para pujar en mercados FCR: lo mejor de dos mundos
Descubre cómo un algoritmo de aprendizaje dual logra pujas óptimas en mercados FCR europeos, combinando eficiencia estocástica y robustez adversarial. ¡Mejora tu estrategia!
Predicción de vida útil restante bifurcada: enfoque híbrido
Descubre cómo un enfoque híbrido bifurcado predice la vida útil de motores turbofán, caracterizando incertidumbres realistas para mantenimiento inteligente.
Recurso algorítmico del aprendizaje en contexto para datos tabulares
Descubre el nuevo marco ASR-ICL para recurso algorítmico eficiente en datos tabulares. Reduce consultas y mejora la explicabilidad.
Convergencia no asintótica de algoritmos estocásticos: marco de Lyapunov
Descubre cómo el marco de Lyapunov permite analizar la convergencia en tiempo finito de algoritmos estocásticos como Q-learning y SGD. Ideal para IA y RL.
DeMoA: Agregación de Momento Retrasado con Participación Parcial
DeMoA optimiza aprendizaje federado con participación parcial, resistiendo ataques bizantinos incluso si dominan clientes maliciosos. ¡Eficiencia y seguridad!
Convergencia no asintótica de algoritmos estocásticos: marco de Lyapunov
Descubre cómo las funciones de Lyapunov permiten analizar la convergencia finita de algoritmos estocásticos en aprendizaje automático y refuerzo.
Asignar y Sumar: Estudio mecanicista de aritmética composicional
Estudio mecanicista revela cómo los transformers aprenden aritmética modular y asignación de variables para generalizar combinaciones no vistas. ¡Entra!
Teoría exacta de algoritmos de error feedback en optimización distribuida
Aprende cómo los algoritmos de error feedback logran convergencia óptima en optimización distribuida con compresión de gradientes. Análisis para EF y EF21.
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.
Caminata verdadera auto-evitativa para acelerar integración MCMC
Descubre cómo la caminata verdadera auto-evitativa reduce el error de estimación integral en MCMC de t^-1/2 a O(√log t/t), acelerando la convergencia.
S3LDBO: Algoritmo de bucle único con instantáneas para optimización descentralizada
Descubre S3LDBO, algoritmo de optimización bilevel descentralizada que reduce cómputo con instantáneas, mejorando eficiencia en redes de IA.