Contracción de covarianza con interpolación estocástica
Descubre la contracción de covarianza con interpolación estocástica: reduce riesgo y permite regularización de autovectores. Aplicaciones en neuroimagen.
#óptimo
Tasa minimax espacio-temporal para distribuciones suaves en Wasserstein
Descubre la nueva tasa minimax espacio-temporal para distribuciones suaves en Wasserstein. Ideal para investigadores y expertos en OT.
MultiResNets para precondicionamiento de subespacios en optimización restringida
MResOpt: red neuronal en etapas para optimización restringida. Mejora satisfacción de restricciones con alta eficiencia en problemas convexos y no convexos.
Inferencia entrópica para atlas causales: más allá de DAG óptimos
Descubre cómo la inferencia entrópica crea atlas de relaciones causales más allá de los DAG óptimos, revelando la ambigüedad inherente en los datos.
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.
Aprendizaje resistente al ruido de etiquetas con máscara de daño cerebral óptimo
Enmascaramiento selectivo de bordes basado en OBD intercepta gradientes ruidosos y mejora robustez frente a etiquetas ruidosas. Plug-and-play superior.
Enrutamiento Sinkhorn Selectivo para Mezclas Dispersas de Expertos
Mejora el rendimiento de mezclas dispersas de expertos con enrutamiento Sinkhorn selectivo. Sin pérdidas auxiliares, mayor eficiencia y robustez.
Selective Sinkhorn Routing para mejorar mezcla dispersa de expertos
Descubre cómo Selective Sinkhorn Routing optimiza modelos SMoE eliminando pérdidas auxiliares, mejorando eficiencia y precisión en lenguaje e imágenes.
VarEOT: Transporte Óptimo Entrópico sin MCMC
Descubre VarEOT: reformulación variacional del log-partición en EOT. Entrenamiento diferenciable sin MCMC, mejores resultados en traducción de imágenes.
Transformada Fraccional de Fourier en Grafos Parametrizada por Rotación
Descubre la RP-GFRFT: una nueva técnica que unifica orden fraccional y rotación para mejorar filtrado, denoising y preservación de características en datos estructurados en grafos.
Tu GFlowNet aprende un plan de transporte óptimo en secreto
Investigación revela que los GFlowNets no acíclicos aprenden secretamente un plan de transporte óptimo en grafos usando flujos y redes neuronales. Descubre cómo optimizar el muestreo.
Flow Matching con Transporte Óptimo por Diseño
Aprende cómo reformular el problema de Flow Matching con transporte óptimo reduce curvatura y permite generación de imágenes de alta calidad en pocos pasos.
Prueba de Independencia Conjunta con Privacidad Diferencial
Descubre cómo un nuevo test de independencia conjunta basado en dHSIC preserva la privacidad de los datos con potencia óptima. Un avance en estadística diferencialmente privada.
Transporte Óptimo con Restricciones de Equidad de Grupo
Descubre cómo el transporte óptimo puede ser justo para grupos. Nuevo algoritmo Sinkhorn, relajaciones y equilibrio entre equidad y coste.
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.
ParetoPilot: Optimización multiobjetivo offline sin sustituto
Descubre ParetoPilot: innovador marco de difusión sin sustituto para optimización multiobjetivo offline. Mejora el frente de Pareto y preserva privacidad.
Direccionamiento de activaciones en modelos de video con control óptimo reducido
Aprende cómo el método LA-LQR dirige modelos de video reduciendo contenido dañino sin perder calidad. Control óptimo lineal de orden reducido.
Aprendizaje profundo bilevel para control óptimo de obstáculos
Método S2-FOBA: aprendizaje profundo bilevel de un solo bucle para control óptimo de obstáculos. Eficiente, sin malla y escalable a dominios complejos.
Apuestas adaptativas para pruebas con horizonte temporal
Descubre cómo un agente DQN aprende a apostar óptimamente en pruebas con horizonte, superando a métodos clásicos. Optimiza tus pruebas.
Repensando el ancho neuronal para proxies de flujo de potencia óptimo AC
Descubre cómo el algoritmo LG-ND optimiza el ancho neuronal para proxies ACOPF, reduciendo neuronas hasta 10 veces y garantizando verificación formal en sistemas críticos.