Suavizado Exponencial de Wasserstein
El Suavizado Exponencial de Wasserstein extiende el clásico ES a series de distribuciones. Descubre cómo estimar el parámetro de suavizado y sus aplicaciones en finanzas y energía.
#wasserstein
Marco Sliced-Wasserstein en matrices de correlación para decodificación EEG
Nuevo marco CorSW mejora la decodificación EEG con Wasserstein recortado en matrices de correlación, logrando generalización robusta a bajo costo.
Geometría Monge compatible con conos para transporte óptimo de alta dimensión
Aprende cómo la geometría Monge con conos resuelve transporte óptimo de alta dimensión, ofreciendo soluciones cerradas y métricas Wasserstein interpretables.
Adaptando el ruido a los datos con flujos generativos
Aprende a adaptar el ruido latente usando funciones cuantiles para optimizar distribuciones previas en flujos generativos. Mejora el aprendizaje de colas pesada
Modelo Fundacional de Grafos con Parseo Espectral y Propagación Espacial Guiada
Descubre SPG, un modelo fundacional de grafos que combina parseo espectral y propagación guiada por prototipos para transferencia entre dominios.
Generación de medidas rectificables con redes neuronales
Descubre cómo las redes neuronales ReLU aproximan medidas rectificables con error mínimo en distancia de Wasserstein, mejorando tasas según el parámetro m.
Flujos Wasserstein Acelerados para Optimización Multiobjetivo
Descubre cómo el nuevo algoritmo A-MWGraD acelera la optimización multiobjetivo en espacios de Wasserstein, logrando convergencia O(1/t²) y mejor muestreo.
Deriva Generativa y Score Matching: Perspectiva Espectral y Variacional
El Drifting Generativo no es magia: es Score Matching. Aprende su teoría, la elección de kernels, y cómo estabilizar el entrenamiento con el operador stop-gradient.
Regularización de las GANs de Wasserstein
Descubre cómo una regularización débil mejora el entrenamiento de Wasserstein GANs, superando problemas de convergencia y optimizando la restricción Lipschitz.
CDOT: Transporte Óptimo Convexo de Distancias
Descubre CDOT, un marco convexo de transporte óptimo que alinea distribuciones heterogéneas preservando geometría. Mejora robustez y precisión.
Control regularizado con KL bien planteado vía divergencias Wasserstein y Kalman-Wasserstein
Nuevas divergencias Wasserstein y Kalman-Wasserstein mejoran el control KL, ofreciendo soluciones estables incluso con ruido bajo: doble integrador y cart-pole.
Precisión de la aproximación gaussiana en iteraciones de SA
Descubre cómo una gaussiana aproxima iteraciones de SA con cotas de error explícitas y tasas de convergencia óptimas, validado con simulaciones.
Inferencia cero-shot certificada con geometría latente compartida
Nueva arquitectura de dos vías logra inferencia cero-shot certificada en sistemas eléctricos. Supera al método Newton-Raphson con precisión y velocidad.
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.
Generación en un paso: geometría de transporte en espacio semántico
Descubre cómo las representaciones semánticas SSL reducen 39 veces el FID en ImageNet, optimizando la generación en un paso sin métricas hackeadas.
TERRA: Arquitectura de Razonamiento y Representación para Dominios Cruzados
Descubre TERRA, una arquitectura que transfiere representaciones entre dominios como conducción y finanzas. Un enfoque teórico para la IA general.
Selección Activa de Tiempos para Aprender Trayectorias de Medidas
Descubre cómo seleccionar los mejores tiempos de medición usando aprendizaje activo y procesos gaussianos para reducir costos en biología unicelular.
Una visión unificada de los flujos Wasserstein generativos
Descubre cómo los flujos Wasserstein unifican GANs, MMD y modelos generativos con JKO. Una visión teórica para la optimización de distribuciones.
Garantías mejoradas para Langevin Monte Carlo con suavidad promedio
Descubre cómo la suavidad promedio mejora las garantías de Langevin Monte Carlo. Aplicaciones en IA y modelos lineales.
Refinamiento Evolutivo de Topologías de Grafos Generativas: Un Enfoque Híbrido WGAN-GA
Refinamiento evolutivo de topologías de grafos con WGAN-GA para optimizar estructuras de redes complejas.