4856 artículos
Este artículo presenta un marco general llamado Sticky-Sequence Track-and-Stop que logra optimalidad asintótica en problemas de exploración pura con un conjunto infinito de respuestas posibles, superando las limitaciones de los métodos existentes diseñados para casos finitos.
El artículo presenta TSRating, un marco unificado que aprovecha el conocimiento de los modelos de lenguaje grandes (LLM) y un esquema de meta-aprendizaje para evaluar de manera eficiente y adaptable la calidad de datos de series temporales procedentes de dominios diversos.
Este trabajo propone CORA, un método de asignación de ventajas en el aprendizaje por refuerzo multiagente cooperativo que utiliza la teoría de juegos cooperativos y el concepto de "núcleo" para asignar créditos basados en las contribuciones de las coaliciones, mejorando así la optimización de las políticas y el comportamiento coordinado.
Este artículo presenta dos nuevos algoritmos de aprendizaje por refuerzo sin modelo, Q-EarlySettled-LowCost y FedQ-EarlySettled-LowCost, que logran simultáneamente un arrepentimiento casi óptimo, costos de inicio lineales en el número de estados y acciones, y costos de cambio de política o comunicación logarítmicos para entornos de agente único y federados.
El artículo presenta ChannelTokenFormer, un marco unificado basado en Transformers que aborda simultáneamente la dependencia entre canales, la asincronía en la muestreo y los valores faltantes para lograr un pronóstico robusto y preciso de series temporales multivariadas en escenarios del mundo real.
El artículo presenta WAFFLE, un algoritmo de detección no supervisada que utiliza representaciones comprimidas mediante la Transformada de Ondículas de Dispersión o la Transformada de Fourier en un conjunto de datos público para identificar y etiquetar a los clientes maliciosos en el Aprendizaje Federado antes del entrenamiento, mejorando así la precisión y el rendimiento del modelo sin acceder a los datos privados.
Este artículo presenta el modelo MIC (Mixture of Interacting Cascades), basado en procesos puntuales de Hawkes multidimensionales, para capturar conjuntamente las interacciones entre usuarios y cascadas de información, demostrando un rendimiento superior en la modelización y visualización de la actividad en redes sociales.
El artículo presenta ConLID, un enfoque novedoso de aprendizaje contrastivo supervisado que mejora significativamente la identificación de idiomas para lenguas de recursos escasos en datos fuera del dominio, manteniendo al mismo tiempo el rendimiento en lenguas de recursos abundantes.
Este artículo establece por primera vez garantías de convergencia global lineal para un algoritmo de Mínimos Cuadrados Ponderados Iterativamente (IRLS) con regularización dinámica en la recuperación robusta de subespacios, extendiendo estos resultados teóricos a la estimación de subespacios afines y demostrando su utilidad práctica en el entrenamiento de redes neuronales.
Este artículo propone un algoritmo distribuido y adaptativo de identificación de la mejor brazo en contextos de banditos lineales para optimizar la colocación de servicios en redes de pequeñas celdas, permitiendo a las estaciones base colaborar para identificar rápidamente el servicio que minimiza la latencia del usuario bajo condiciones de demanda desconocida.
Este artículo establece tasas de convergencia para la última iterada de los algoritmos de descenso de gradiente estocástico (SGD) y de la bola pesada estocástica (SHB) en entornos paramétricos con funciones objetivo convexas o no convexas de gradiente Hölderiano, demostrando resultados mediante la desigualdad discreta de Gronwall sin recurrir al teorema de Robbins-Siegmund.
Este estudio evalúa arquitecturas de DeepONet para el problema de consolidación geotécnica, demostrando que una variante mejorada con características de Fourier en la red del tronco supera a los modelos estándar y ofrece aceleraciones computacionales significativas (hasta 1.000 veces) en escenarios 3D, facilitando así la cuantificación de incertidumbre y la integración del aprendizaje científico en ingeniería geotécnica.
Este trabajo presenta LangevinFlow, un modelo de autoencoder variacional secuencial inspirado en la física que utiliza ecuaciones de Langevin subamortiguadas y osciladores acoplados para capturar con mayor precisión la dinámica latente de poblaciones neuronales, superando a los métodos actuales en la predicción de tasas de disparo y la decodificación de comportamientos.
El artículo presenta "Latent Policy Steering" (LPS), un enfoque que mejora las políticas visuomotoras en regímenes de pocos datos mediante el preentrenamiento de un modelo de mundo con representaciones de acción agnósticas al cuerpo (como el flujo óptico) y su posterior ajuste fino para guiar la selección de acciones, logrando mejoras significativas tanto en simulación como en robots reales.
Este trabajo presenta MLES, un enfoque novedoso que combina modelos de lenguaje grandes multimodales con búsqueda evolutiva para descubrir políticas de control programáticas transparentes y verificables, logrando un rendimiento comparable al aprendizaje por refuerzo profundo tradicional mientras facilita la depuración y la transferencia de conocimiento.
Este artículo presenta CTRL, un método de meta-aprendizaje que combina el aprendizaje residual de transferencia y el agrupamiento adaptativo para mejorar la precisión general y preservar la heterogeneidad entre múltiples fuentes de datos pequeñas y diversas, demostrando un rendimiento superior en cinco conjuntos de datos a gran escala, incluido un programa nacional de asilo en Suiza.
Este artículo propone y evalúa un enfoque innovador que utiliza avatares virtuales y música generada por IA para transformar los sílabos tradicionales en presentaciones cantadas, logrando así mejorar significativamente la atención, la retención y el recuerdo de la información clave por parte de los estudiantes.
El artículo presenta MuFlex, una plataforma de código abierto y escalable basada en física que facilita la coordinación de la flexibilidad de la demanda en múltiples edificios mediante el aprendizaje por refuerzo, superando las limitaciones de los entornos de simulación existentes al integrar modelos detallados de EnergyPlus y Modelica para optimizar el rendimiento energético sin comprometer el confort.
Este trabajo presenta un marco de redes neuronales gráficas (GNN) ligero y eficiente en datos, informado por el dominio de RF, que logra una predicción precisa y generalizable del rendimiento de circuitos activos mediante abstracciones de grafos de dispositivos y codificación semántica, superando significativamente a los métodos existentes en precisión y capacidad de adaptación entre topologías.
Este artículo presenta un método de aprendizaje en contexto iterativo que mejora la capacidad de generalización de los modelos de lenguaje grandes en tareas de razonamiento abstracto, como la resolución de expresiones algebraicas con reglas no estándar, demostrando que la selección iterativa de ejemplos simples junto con instrucciones de razonamiento explícitas supera el rendimiento de los ejemplos complejos.