2316 artículos
Este artículo propone un método de reparación de datos basado en el transporte óptimo y reglas de parada bayesianas no paramétricas para mitigar el sesgo de representación en subgrupos minoritarios y permitir la aplicación de correcciones justas en datos archivados, logrando un equilibrio óptimo entre equidad y preservación de la calidad de los datos.
Este artículo propone un método de aprendizaje no supervisado que factoriza las transformaciones de variables latentes en componentes esparsos mediante campos vectoriales rotacionales y potenciales, logrando representaciones disociadas que capturan tanto factores independientes como primitivas de transformación, lo que resulta en un rendimiento superior en verosimilitud de datos y errores de equivarianza aproximada.
Este trabajo propone un enfoque de optimización diferenciable basado en funciones de barrera de control para aprender de forma eficiente y cuantitativa la asignación de responsabilidad de los agentes en interacciones multiagente, permitiendo modelar su disposición a ajustar su comportamiento para garantizar la seguridad de los demás.
Este artículo presenta un nuevo enfoque principista que combina el algoritmo de Donaldson con técnicas de aprendizaje automático, específicamente el descenso de gradiente en variedades de Grassmann, para calcular aproximaciones de métricas de Kähler Ricci-planas en la familia de Dwork, observando la aparición de mínimos locales no triviales a medida que aumenta el parámetro del módulo.
Este artículo presenta dos estimadores de submuestreo, Muestreo de Importancia Adaptativo (AIS) y Submuestreo Estratificado (SS), que logran tasas óptimas minimax para la regresión robusta de alta dimensión bajo ruido de cola pesada, contaminación y dependencia temporal, cerrando la brecha entre teoría y algoritmo mediante un marco teórico riguroso y validación empírica superior.
Los autores proponen las Redes Neuronales de Paso de Mensajes Escalables (SMPNNs), una arquitectura que sustituye el mecanismo de atención por convoluciones estándar dentro de bloques tipo Transformer con normalización Pre-Layer, logrando un rendimiento competitivo en grafos grandes y permitiendo redes profundas sin sufrir el problema de sobre-suavizado, todo ello respaldado por un nuevo análisis teórico sobre la aproximación universal.
El artículo presenta SPDIM, un marco de aprendizaje profundo geométrico que aborda la adaptación de dominio no supervisada sin fuente en señales EEG bajo desplazamientos de etiquetas, superando a los métodos anteriores mediante una estrategia de optimización eficiente en la variedad de matrices definidas positivas que maximiza la información.
Este artículo presenta un marco de prognóstico no supervisado que identifica modos de fallo latentes y selecciona sensores informativos a partir de datos sin etiquetar para predecir con mayor precisión la vida útil restante en hábitats de espacio profundo autónomos.
Este artículo presenta MS-HGNN, una red neuronal heterogénea basada en grafos que integra las estructuras cinemáticas y las simetrías morfológicas de los robots para aprender dinámicas con alta generalización y eficiencia, demostrando su efectividad en múltiples sistemas robóticos mediante datos reales y simulados.
Este trabajo presenta a CuriousBot, un sistema que utiliza un grafo relacional de objetos 3D para superar las limitaciones de los métodos actuales de exploración móvil al permitir la interacción activa en entornos complejos y diversos, demostrando una mayor eficacia y generalización que las soluciones basadas únicamente en modelos de visión y lenguaje.
Este estudio demuestra que los huellas dactilares moleculares simples, combinadas con modelos de aprendizaje automático como LightGBM, superan a las arquitecturas complejas basadas en grafos y transformadores en la predicción de funciones peptídicas, desafiando la noción de que es esencial modelar interacciones de largo alcance.
El artículo presenta Astromer 2, un modelo fundacional mejorado para el análisis de curvas de luz que, tras ser preentrenado de forma auto-supervisada en 1.5 millones de curvas, supera significativamente a su predecesor y a modelos anteriores en tareas de clasificación con datos limitados, logrando una mejora del 15% en el conjunto de datos ATLAS gracias a sus robustas representaciones embebidas.
Este artículo propone un marco unificado para evaluar cómo la personalización de modelos de aprendizaje automático afecta de manera divergente tanto a la precisión predictiva como a la explicabilidad, derivando límites teóricos para detectar estos efectos en conjuntos de datos reales y destacando la necesidad de diseñar sistemas que permitan una evaluación conjunta y viable de ambos aspectos.
Este artículo introduce la "firma espacial" de un conjunto de datos como una herramienta geométrica para evaluar y garantizar la robustez de la valoración de datos basada en semivalores frente a cambios en la función de utilidad, ofreciendo una métrica práctica para que los profesionales comprendan cómo estas variaciones afectan los resultados.
Este artículo presenta un marco integrado de Real2Sim2Real para la manipulación de objetos lineales deformables que utiliza inferencia libre de verosimilitud para estimar distribuciones posteriores de parámetros físicos y entrenar políticas visuomotoras en simulación, logrando un rendimiento exitoso en el mundo real sin ajuste adicional.
El artículo presenta el método de Reescalado de Importancia de Características (FIR), una técnica teóricamente fundamentada que mejora la evaluación de la calidad del agrupamiento en mezclas gaussianas ruidosas al ajustar las contribuciones de las características según su dispersión, lo que aumenta la correlación entre los índices de validez y la verdad fundamental incluso en entornos con características irrelevantes o alto ruido.
Este artículo presenta el concepto de "unidades funcionales" como un puente esencial para integrar la comprensión tradicional de la relación estructura-propiedad con los nuevos paradigmas impulsados por la inteligencia artificial en la investigación de materiales.
El artículo presenta HyConEx, un clasificador basado en hiperredes diseñado para datos tabulares que, de forma única, genera simultáneamente predicciones de clase y explicaciones contrafactuales locales en una sola red neuronal.
Este artículo presenta formulaciones de programación lineal entera mixta para construir árboles de modelos óptimos globalmente con máquinas de vectores de soporte lineales en las hojas, demostrando empíricamente que estos árboles alcanzan una precisión competitiva con estructuras mucho más pequeñas y interpretables en comparación con los métodos de crecimiento codicioso y otros algoritmos estándar.
Este artículo propone un marco de evaluación de clasificación binaria basado en la teoría de la decisión y el uso de reglas de puntuación propias como la puntuación Brier, respaldado por una herramienta práctica en Python y una variante técnica mejorada, para superar la dependencia actual de métricas de umbral fijo en la literatura de aprendizaje automático.