8581 artículos
Este artículo propone un marco de explicabilidad multi-nivel que valida la robustez y consistencia de las explicaciones SHAP en modelos de aprendizaje automático para el diagnóstico y pronóstico de la enfermedad de Alzheimer, demostrando que las explicaciones basadas en marcadores cognitivos y funcionales son estables y transferibles entre diferentes etapas de la enfermedad y arquitecturas de modelos.
Este artículo propone un método de colocation adaptativa y consciente de la diversidad para las Redes Neuronales Informadas por Física (PINNs), formulando la selección de puntos como un problema de optimización QUBO/BQM dispersa con anclajes híbridos para construir un núcleo eficiente que reduzca la redundancia y mejore la precisión en la resolución de EDPs como la ecuación de Burgers.
Este estudio presenta un marco de aprendizaje automático para predecir el flujo estacionario en medios porosos, demostrando que el Operador de Red Neuronal de Fourier (FNO) supera a los modelos AE y U-Net al ofrecer predicciones precisas y hasta 1000 veces más rápidas que la dinámica de fluidos computacional tradicional, lo que lo hace ideal para la optimización topológica de placas frías.
Este trabajo propone un enfoque que combina redes neuronales convolucionales gráficas con metaaprendizaje para permitir que los modelos de asignación de tráfico se adapten rápidamente y mantengan una alta precisión (R² ≈ 0.85) ante disrupciones en la red vial y cambios en la demanda, superando las limitaciones de los modelos tradicionales que dependen de datos históricos similares a los futuros.
Este artículo presenta un estudio de viabilidad que demuestra cómo el aprendizaje simbólico, aplicado a datos simulados de un proceso de oxidación de etileno, supera a los métodos basados en redes neuronales en la detección de fallos químicos al ofrecer modelos predictivos precisos, interpretables y generalizables.
Este artículo demuestra que las representaciones neuronales poseen una libertad de gauge bajo transformaciones lineales invertibles, lo que implica que métricas comunes como la similitud del coseno dependen de la elección de coordenadas y pueden distorsionarse sin alterar la función del modelo, por lo que el análisis debe centrarse en cantidades invariantes o coordenadas canónicas.
Este artículo presenta el HGT-Scheduler, un marco de aprendizaje por refuerzo que utiliza Transformadores de Grafos Heterogéneos para modelar el problema de la programación de trabajos (JSSP) como un grafo heterogéneo, logrando así capturar patrones relacionales específicos del tipo de arista y superar a los enfoques de grafos homogéneos en la obtención de políticas de programación efectivas.
SpatialMAGIC es un marco híbrido que integra difusión gráfica y atención espacial para imputar datos de transcriptómica espacial, superando a los métodos existentes en precisión de agrupamiento y mejorando la detección de genes biológicamente relevantes mientras preserva la arquitectura tisular.
El artículo presenta xaitimesynth, un paquete de Python de código abierto que facilita la evaluación de métodos de atribución para series temporales mediante la generación de datos sintéticos con verdad fundamental conocida y métricas de localización estandarizadas.
Este artículo presenta un modelo de difusión informado por física basado en Context-UNet que genera imágenes satelitales sintéticas de eventos meteorológicos extremos y raros, condicionadas a parámetros atmosféricos clave, para mitigar la escasez de datos y mejorar la detección de ciclones tropicales de rápida intensificación.
El artículo presenta la Regularización de Política Optimista (OPR), un mecanismo ligero que mejora la eficiencia de muestras y el rendimiento final en aprendizaje por refuerzo profundo al preservar y reforzar las trayectorias históricamente exitosas, superando a métodos de referencia en entornos como Atari y CAGE Challenge 2.
El artículo presenta Best-of-Tails (BoT), un marco de alineación en tiempo de inferencia que adapta dinámicamente su estrategia entre enfoques optimistas y pesimistas basándose en la heaviness de la cola de la distribución de recompensas, utilizando el estimador de Hill y la divergencia de Tsallis para mejorar el rendimiento en diversas tareas de razonamiento y preferencias humanas.
El artículo presenta NEST, un marco de colocación de dispositivos consciente de la red, la memoria y la computación que unifica el paralelismo de modelos y la viabilidad de memoria mediante programación dinámica estructurada, logrando un mayor rendimiento y escalabilidad en comparación con las soluciones existentes para el entrenamiento distribuido de aprendizaje profundo.
Este artículo presenta el primer marco formal para el aprendizaje por refuerzo multiagente cooperativo con recompensas submodulares, proponiendo algoritmos con garantías teóricas que superan la maldición de la dimensionalidad y logran aproximaciones de 1/2 tanto en entornos de dinámica conocida como desconocida.
El artículo presenta CREDO, un método que combina la construcción de envolventes credales interpretables para capturar la incertidumbre epistémica con la calibración conformalizada para garantizar una cobertura válida, logrando intervalos de predicción en regresión que son tanto eficientes como interpretables.
Este artículo presenta un marco novedoso para la inversión conjunta de gravedad y magnetismo 3D que reformula el problema como un flujo rectificado sobre el conjunto de datos Noddyverse, incorpora un regularizador de Ginzburg-Landau para la identificación de minerales y propone una metodología de guía plug-and-play para capturar la distribución completa de soluciones en lugar de un único resultado determinista.
Este trabajo establece la tasa minimax exacta de arrepentimiento para el comercio bilateral contextual con valoraciones de varianza infinita, demostrando que un algoritmo basado en estimación de media truncada logra un rendimiento óptimo que interpola entre la tasa no paramétrica clásica y la tasa lineal trivial según el momento finito de las valoraciones.
El artículo presenta \textbf{\texttt{C3}}, un método de asignación de crédito contrafactual contextual que mejora el aprendizaje por refuerzo multiagente impulsado por LLMs al aislar el impacto causal de mensajes individuales mediante reproductores de continuación fija y una línea base de exclusión, logrando así una asignación de crédito más precisa y un mejor rendimiento en tareas de colaboración.
El artículo presenta IGLU, una nueva función de activación paramétrica basada en una mezcla de escalas de puertas GELU que utiliza una distribución de cola pesada (Cauchy) para garantizar gradientes no nulos y mejorar la robustez en datos desbalanceados, junto con una aproximación computacionalmente eficiente (IGLU-Approx) que logra un rendimiento competitivo o superior al de ReLU y GELU en tareas de visión y lenguaje con menor costo computacional.
El marco SymLang integra gramáticas restringidas por simetría, síntesis de programas guiada por modelos de lenguaje y selección de modelos bayesiana regularizada por MDL para descubrir ecuaciones gobernantes interpretables y físicamente consistentes a partir de observaciones ruidosas y parciales, logrando una recuperación estructural exacta del 83,7% en sistemas dinámicos diversos.