11065 artículos
Este trabajo propone un marco de aprendizaje de representaciones invariantes a la práctica clínica que, al combinar la minimización de riesgo supervisada con regularización adversaria y penalizaciones de riesgo invariante, mejora significativamente el rendimiento y la calibración de los modelos predictivos multimodales ante cambios sistemáticos en la distribución de los datos entre diferentes instituciones.
El artículo presenta DistGP, un método de aprendizaje multi-robot que utiliza un modelo de proceso gaussiano disperso y la propagación de creencias gaussianas para entrenar de forma distribuida y asíncrona un modelo global con rendimiento superior a las alternativas existentes, incluso en entornos con conectividad dinámica y comunicación limitada.
El AgrI Challenge es una competencia centrada en los datos que introduce el paradigma de Validación Inter-Equipos (CTV) para demostrar que el entrenamiento colaborativo con conjuntos de datos heterogéneos recolectados independientemente mejora significativamente la generalización de los modelos de visión agrícola frente a los cambios de distribución, superando las limitaciones de los enfoques tradicionales basados en un solo origen de datos.
Este trabajo propone el uso de priores generativos con complejidad ajustable mediante *nested dropout* para resolver problemas inversos como la compresión sensorial, demostrando empíricamente que superan a los modelos de complejidad fija al reducir errores de reconstrucción y ofreciendo un análisis teórico sobre la sintonización óptima frente al ruido.
El artículo presenta NT-Diffusion, un modelo de difusión jerárquico que mejora la eficiencia computacional y la precisión en la predicción probabilística a largo plazo del riesgo de incendios forestales compartiendo etapas tempranas de desruido y ramificándose para refinar horizontes específicos.
Este estudio revela que en el régimen de modelos pequeños (menos de 20 millones de parámetros), las leyes de escalado siguen una potencia más pronunciada que en modelos grandes, pero con una estructura de errores distinta, saturación temprana y una calibración mejor en los tamaños más reducidos, lo que demuestra que la validación debe realizarse específicamente en el tamaño objetivo para despliegues en dispositivos de borde.
Este artículo propone un marco de Aprendizaje por Refuerzo Multiagente Jerárquico (HMARL) para el enfoque de haces en sistemas mmWave que elimina la sobrecarga de estimación del estado del canal (CSI) al utilizar datos de localización de usuarios, logrando mejoras significativas en la intensidad de la señal recibida y una escalabilidad robusta mediante una arquitectura de entrenamiento centralizado y ejecución descentralizada.
ConfHit es un marco de diseño generativo libre de distribuciones que ofrece garantías de validez estadística sin necesidad de acceso a un oráculo experimental, permitiendo certificar y refinar conjuntos de moléculas generadas para asegurar la presencia de candidatos prometedores con un nivel de confianza especificado.
Este artículo propone un marco de estimación de calidad para traducción automática en escenarios de bajos recursos y dominios específicos (como salud y legal) en idiomas indios, demostrando que la adaptación de capas intermedias de modelos de lenguaje grandes mediante técnicas como ALOPE y LoRMA supera a los enfoques basados únicamente en prompts, especialmente en modelos de pesos abiertos.
Este artículo propone un marco teórico que explica la generalización fuera de distribución mediante la preferencia por hipótesis "esparcidas" (que dependen de pocas características) y demuestra un teorema que garantiza su validez cuando las distribuciones de entrenamiento y prueba se superponen en las características relevantes, extendiendo así los límites clásicos de complejidad de muestra.
El artículo presenta MARIGOLD, un marco algorítmico unificado que aborda la ineficiencia computacional de los métodos de balanceo de gradientes en el aprendizaje multitarea reformulando el problema como una optimización bi-nivel y resolviéndolo de manera eficiente mediante métodos de orden cero.
Este artículo presenta un sistema de triaje legal determinista y reproducible basado en codificadores duales y bandas difusas calibradas que equilibra la precisión del cumplimiento normativo con la transparencia y la trazabilidad de auditoría, superando a los modelos opacos y a las reglas manuales en la clasificación de evidencia contractual.
Este trabajo generaliza el objetivo del autoencoder lineal EDLAE mediante una Pérdida Cuadrática Esperada Desacoplada (DEQL), lo que permite derivar soluciones eficientes para un rango más amplio de hiperparámetros () que superan el rendimiento del modelo original en tareas de recomendación.
Este trabajo introduce el marco teórico de la "Capacidad del Canal de Contexto" para explicar el olvido catastrófico en el aprendizaje continuo, demostrando que la arquitectura (específicamente la regeneración condicional de parámetros) es más determinante que el algoritmo para lograr un aprendizaje sin olvido y proponiendo nuevas direcciones de investigación basadas en este principio.
El artículo presenta DualSpec, un marco de especulación heterogéneo que acelera los agentes de investigación profunda al adaptar las estrategias de inferencia según la naturaleza de las acciones de búsqueda y visita, logrando una aceleración de hasta 3,28 veces sin comprometer la precisión.
El artículo presenta OrthoFormer, una arquitectura de Transformer fundamentada en la causalidad que integra la estimación de variables instrumentales mediante funciones de control neuronales para separar los factores de confusión latentes de los flujos causales dinámicos, logrando así una reducción de sesgo teórica y una mayor robustez ante cambios de distribución.
Este trabajo presenta un nuevo marco de aprendizaje por refuerzo y el benchmark AndroidWorld-Generalization para evaluar y mejorar la capacidad de generalización de agentes móviles basados en modelos de lenguaje y visión, demostrando que el entrenamiento con RL supera a los métodos supervisados en tareas no vistas, aunque la generalización a nuevas aplicaciones sigue siendo un desafío.
El artículo presenta "Data Agent", un marco de selección de datos dinámico y de extremo a extremo que trata la selección como un problema de toma de decisiones secuencial consciente del entrenamiento, logrando acelerar significativamente el proceso de aprendizaje y reducir los costos en más del 50% sin sacrificar el rendimiento en diversas tareas y arquitecturas.
Este trabajo presenta garantías finitas de muestra para aprender representaciones de estado impulsadas por costos y controladores subóptimos en sistemas de control lineal cuadrático gaussiano (LQG) de horizonte infinito, abordando tanto modelos de dinámica latente explícitos como implícitos (similares a MuZero) y estableciendo una nueva contribución técnica sobre la excitación persistente en procesos estocásticos.
El artículo presenta PACT, un marco de ajuste fino que preserva la alineación de seguridad en modelos de lenguaje al restringir específicamente la confianza en tokens de seguridad durante el entrenamiento, evitando así la deriva de seguridad sin comprometer el rendimiento en tareas generales.