8190 artículos
Este artículo propone un método de regularización direccional en el espacio latente que mitiga el aprendizaje de atajos y mejora la generalización fuera de distribución al identificar ejes correlacionados con etiquetas y reducir la sensibilidad del clasificador hacia ellos mediante la inyección de ruido anisotrópico, sin requerir etiquetas de atajos ni ejemplos conflictivos.
Este artículo demuestra que la participación de la comunidad de ciencia de datos a través de una competencia de Kaggle para desarrollar parametrizaciones de aprendizaje automático ha permitido lograr estabilidad en línea en simulaciones climáticas híbridas, superando obstáculos históricos y alcanzando resultados de vanguardia.
El artículo presenta CRAwDAD, un marco de debate entre dos agentes que mejora significativamente la precisión de los modelos de razonamiento en inferencia causal al simular un diálogo crítico entre hipótesis alternativas, logrando aumentos notables en la exactitud tanto en preguntas contrafactuales como generales.
Este estudio presenta ForamDeepSlice, un marco de aprendizaje profundo basado en un ensemble de redes neuronales convolucionales que logra una precisión del 95,64% en la clasificación automática de especies de foraminíferos a partir de rebanadas 2D de micro-TC, ofreciendo además una herramienta interactiva para su despliegue práctico en geociencias.
El artículo presenta AltNet, un enfoque basado en redes gemelas que resuelve el dilema de plasticidad-estabilidad en el aprendizaje por refuerzo al permitir la restauración periódica de la plasticidad mediante el intercambio de roles entre dos redes, logrando así una mayor eficiencia y rendimiento sin sufrir caídas temporales en el desempeño.
El artículo presenta MSPT, un transformador de parches multi-escala que utiliza árboles de bolas para dividir dominios irregulares en parches, permitiendo modelar física a gran escala con millones de puntos en una sola GPU mediante una atención local y global eficiente que supera el estado del arte en precisión y eficiencia computacional.
El artículo propone un marco de "Suavizado Aleatorio Dual" que supera las limitaciones de la varianza de ruido global al utilizar un estimador de varianza dependiente de la entrada para lograr un rendimiento robusto superior tanto en radios pequeños como grandes, superando a los métodos anteriores en CIFAR-10 e ImageNet.
Este artículo presenta DROCO, un algoritmo de aprendizaje por refuerzo offline cruzado que garantiza la robustez tanto en entrenamiento como en prueba frente a cambios en la dinámica mediante un nuevo operador de Bellman robusto, penalización de valor dinámica y pérdida de Huber.
El artículo presenta GoRL, un marco de aprendizaje por refuerzo en línea que resuelve la tensión entre la estabilidad de la optimización y la expresividad de las políticas mediante la decouplaje de la optimización en un espacio latente tratable y la síntesis de acciones en un espacio generativo, logrando un rendimiento superior en tareas de control continuo.
Este artículo presenta la Regresión Isotónica Shapley Escasa (SISR), un marco unificado de explicación no lineal que aprende simultáneamente una transformación monótona para restaurar la aditividad y aplica una restricción de escasez L0 para identificar características relevantes de manera eficiente, superando así las limitaciones de distorsión y costo computacional de los valores Shapley estándar en escenarios de alta dimensionalidad y dependencias complejas.
Este trabajo propone un marco de aumento de datos generativo de dos pasos que combina deformación de máscaras basada en reglas y traducción de imágenes mediante GANs para generar muestras de rostros con mascarilla, logrando mejoras consistentes con una fracción mínima de los datos de entrenamiento utilizados por métodos anteriores, a pesar de haber sido desarrollado bajo severas restricciones de recursos y tiempo.
El artículo presenta SALVE, un marco unificado que combina autoencoders dispersos y mapeo de saliencia para descubrir, validar y controlar de manera interpretable y permanente el comportamiento de redes neuronales mediante la edición de vectores latentes.
El artículo presenta LaMer, un marco de Meta-RL que permite a los agentes de lenguaje aprender y explorar activamente en tiempo de prueba mediante un entrenamiento cruzado de episodios y la adaptación de políticas en contexto, logrando mejoras significativas en el rendimiento y la generalización frente a métodos de RL tradicionales.
El artículo presenta "Re-Depth Anything", un marco de auto-supervisión en tiempo de prueba que mejora la estimación de profundidad monoculosa al fusionar modelos fundacionales con priores de modelos de difusión 2D a gran escala mediante un refinamiento basado en re-iluminación y muestreo de distorsión de puntuación (SDS), logrando resultados de vanguardia sin necesidad de etiquetas.
Este artículo presenta tres estrategias complementarias para acelerar el entrenamiento de redes Kolmogorov-Arnold (KAN) basadas en el método Newton-Kaczmarz: un procedimiento de preentrenamiento, el entrenamiento en subconjuntos de datos disjuntos con fusión posterior de modelos y una técnica de paralelización implementada y validada en hardware FPGA.
Este artículo presenta "Latent Sculpting", un enfoque de aprendizaje de variedades que utiliza un codificador Transformer con una pérdida de escultura latente binaria y un flujo autoregresivo enmascarado para lograr una detección de anomalías generalizable a distribuciones desconocidas en datos tabulares, logrando un alto rendimiento en la identificación de ataques cibernéticos cero-día sin necesidad de ejemplos de entrenamiento específicos.
El artículo presenta FedORA, un algoritmo de optimización primal-dual que certifica el derecho al olvido en el aprendizaje federado vertical mediante la eliminación eficiente de muestras y etiquetas sin necesidad de reentrenar el modelo desde cero, garantizando al mismo tiempo la utilidad del modelo y reduciendo la sobrecarga computacional.
Este artículo presenta un método basado en minería de procesos que analiza el tráfico de redes de videojuegos para caracterizar estados, modelarlos mediante redes de Petri e identificar el juego específico, demostrando su eficacia en el estudio de caso UPSIDE con *Clash Royale* y *Rocket League*.
Este trabajo propone un método sin parámetros para el coarsening de grafos espaciales que reduce su tamaño preservando sus características topológicas mediante el colapso de aristas cortas y una nueva filtración llamada "triangle-aware graph filtration".
Este trabajo propone métodos actor-crítico con oráculos de estimación robusta y dispersa que logran las primeras garantías no triviales para el aprendizaje por refuerzo offline en MDPs de alta dimensión y dispersos bajo concentrabilidad de política única y corrupción de datos fuerte, superando las limitaciones de los enfoques tradicionales como la iteración de valor por mínimos cuadrados.