Muestreo anidado: guía teórica crítica y completa
Descubre la guía teórica completa y crítica del Muestreo Anidado, una técnica clave en cosmología y astronomía para explorar regiones de alta verosimilitud.
#verosimilitud
Transición de fase en relajaciones convexas para alineación de grafos
Las relajaciones convexas logran recuperar permutaciones ocultas en grafos correlacionados. Estudio de transición de fase para matrices GOE. Resultados clave.
Brecha de información e inferencia factible en mezclas logísticas
Descubre la brecha entre detectar mezclas y recuperar etiquetas en modelos logísticos binomiales. Nuevos métodos de inferencia consciente mejoran la fiabilidad.
Optimalidad en el muestreo por importancia: una revisión suave
Descubre cómo optimizar la densidad propuesta en métodos Monte Carlo para mejorar el rendimiento en aprendizaje automático, inferencia bayesiana y más.
Estimación Directa del Puntaje de Fisher para Máxima Verosimilitud
Descubre cómo la estimación directa del Fisher score optimiza la verosimilitud usando simulaciones locales. Método rápido, flexible y eficiente para modelos intratables.
Arquitectura y datos: claves de las alucinaciones en LLMs
Descubre cómo la arquitectura (self-attention, MLE, decodificación) y los datos generan alucinaciones en LLMs. Analizamos causas estructurales y cómo mitigarlas.
Predicción cuántica de máxima verosimilitud con embeddings de Hilbert
Descubre la predicción cuántica de máxima verosimilitud usando embeddings de Hilbert. Un avance para LLM cuánticos.
Inferencia semiparamétrica para procesos puntuales doblemente estocásticos
Método de inferencia semiparamétrica para procesos puntuales espaciales. Eficiente, sin supuestos restrictivos, mejor predicción en criminalidad.
GenPO++: Políticas generativas con razones de verosimilitud sin Jacobiano
Descubre GenPO++: un marco de optimización de políticas generativas con razones de verosimilitud exactas y sin Jacobiano para RL on-policy, mejorando estabilidad y eficiencia.
Modelado generativo de estructuras latentes discretas con policy gradients
GReinSS: aprende distribuciones de estados latentes que maximizan la verosimilitud de datos. Supera a VAE y RSEM en reconstrucción de isoformas de ARN.
Transporte óptimo entrópico inverso para aprendizaje semi-supervisado
Aprende cómo EBiEOT revoluciona el aprendizaje semi-supervisado combinando datos pareados y no pareados mediante maximización de verosimilitud.
Estimación bidireccional de efectos causales con kernel online
Nuevo método de kernel online para estimar efectos causales bidireccionales con alta precisión y escalabilidad. Ideal para datos masivos en ciencia, negocios y políticas.