3797 artículos
Este artículo presenta el Autoencoder Constrained Neuromodulado (NcAE), un enfoque que integra un mecanismo neuromodulatorio para permitir el aprendizaje de variedades dependientes del contexto, desacoplando eficazmente los parámetros contextuales globales de las representaciones locales de la variedad en sistemas dinámicos.
Este artículo propone métodos de aprendizaje por refuerzo que preservan la entropía, como REPO y ADAPO, para evitar la pérdida de diversidad en las trayectorias exploradas por los algoritmos de gradiente de política, logrando así modelos más eficaces y adaptables a nuevos entornos.
Este artículo propone un marco novedoso de mediación causal de prosodia para la síntesis de voz (TTS) que, al integrar un modelo causal estructural y objetivos de entrenamiento contrafactual en la arquitectura FastSpeech2, logra disociar la emoción del contenido lingüístico para mejorar la expresividad, la manipulación controlada de la prosodia y la consistencia del hablante sin comprometer la inteligibilidad.
Este artículo introduce y valida un marco teórico que descompone la multiplicidad observacional en clasificadores de árboles de decisión en "arrepentimiento de hoja" y "arrepentimiento estructural", demostrando que la inestabilidad de la estructura del árbol es el principal factor de variabilidad y que estas métricas pueden utilizarse para mejorar la seguridad del modelo mediante la predicción selectiva.
El artículo presenta EvoFlows, un enfoque de modelado de proteínas basado en flujos de edición evolutiva que, a diferencia de los modelos autoregresivos o de lenguaje enmascarado, aprende trayectorias mutacionales para predecir y realizar un número limitado y controlado de inserciones, eliminaciones y sustituciones en secuencias de proteínas, logrando generar mutantes naturales y no triviales con una calidad comparable a los modelos más avanzados.
El artículo presenta CRAN-PM, una red neuronal basada en Vision Transformers que utiliza mecanismos de atención cruzada entre resoluciones para predecir eficientemente y con alta precisión los niveles de PM2.5 a escala continental en Europa, superando las limitaciones de escalabilidad y mejorando significativamente la exactitud en comparación con los métodos existentes.
El artículo presenta CINDI, un marco probabilístico no supervisado basado en flujos normalizadores condicionales que unifica la detección de anomalías y la imputación de datos en series temporales multivariantes de redes eléctricas, logrando restaurar la integridad de los datos ruidosos preservando sus propiedades físicas y estadísticas.
Este artículo demuestra que la aplicación de métodos de calibración post-hoc, especialmente la Escalada de Platt y la Regresión Isotónica, reduce significativamente la multiplicidad predictiva en modelos de riesgo crediticio, mitigando así la arbitrariedad algorítmica y beneficiando desproporcionadamente a las clases minoritarias.
Este artículo propone un método de detección de anomalías en series temporales multivariantes que traslada el análisis a un espacio latente con sesgos inductivos mediante flujos normalizadores condicionales, permitiendo identificar desviaciones de la dinámica temporal esperada incluso cuando las observaciones tienen alta probabilidad marginal.
Este artículo presenta un algoritmo de aprendizaje social basado en energía libre para el problema de la bandaits, que permite a un agente evaluar y aprovechar la experiencia de otros agentes diversos (incluyendo no expertos) sin conocer sus recompensas, logrando convergencia óptima y un arrepentimiento logarítmico superior a los métodos existentes.
Este artículo propone un modelo de toma de decisiones secuenciales bajo restricciones de memoria que amplía el concepto de "olor de la información" para explicar cómo los usuarios navegan mediante ensayo y error, seleccionando enlaces prematuramente y recuperándose de errores al considerar solo la información local y global disponible en su memoria limitada.
Este artículo demuestra que la política Follow-the-Perturbed-Leader (FTPL) con distribuciones de Fréchet y Pareto, combinada con una nueva técnica de muestreo geométrico condicional, alcanza óptimos garantizados de "mejor de ambos mundos" (regresión óptima en entornos adversarios y logarítmica en estocásticos) para el problema de semi-brazos de -conjuntos, reduciendo además su complejidad computacional de a .
Este artículo analiza el colapso de modelos en la generación de lenguaje desde una perspectiva teórica del aprendizaje, demostrando que la repetición de salidas generadas por el modelo en el entrenamiento limita fundamentalmente ciertos tipos de generación mientras que sus resultados positivos validan heurísticas prácticas como la limpieza de datos y el filtrado de salidas.
Este trabajo propone un método que permite a un agente encarnado descubrir autónomamente la estructura de grupos de simetría en su espacio de acciones mediante interacción no supervisada, logrando así representaciones disociadas identificables sin depender de conocimientos previos o suposiciones restrictivas sobre las subgrupos.
El artículo unifica los ataques de inferencia de membresía LiRA, RMIA y BASE bajo un marco común de razón de verosimilitud de la familia exponencial e introduce BaVarIA, un método bayesiano que mejora la estabilidad y el rendimiento en escenarios con presupuestos limitados de modelos sombra.
El artículo presenta OSMDA, un marco de adaptación de dominio autocontenido para modelos de visión y lenguaje en teledetección que elimina la dependencia de modelos maestros externos o anotaciones manuales al generar automáticamente datos de entrenamiento combinando imágenes satelitales con metadatos de OpenStreetMap, logrando resultados de vanguardia de manera más económica y escalable.
Este capítulo establece los fundamentos del aprendizaje automático cuaterniónico mediante la introducción de estadísticas aumentadas, modelos linealmente amplios, cálculo cuaterniónico y estimación de error cuadrático medio para aprovechar las propiedades de rotación tridimensional de los cuaterniones.
El artículo presenta el Inverse Neural Operator (INO), un marco de dos etapas que recupera parámetros ocultos de EDOs a partir de observaciones escasas mediante un operador neuronal condicional y un modelo de deriva amortizado, logrando una precisión superior y una aceleración de 487 veces frente a los métodos basados en gradientes en sistemas rígidos.
Este artículo propone un marco de detección de CSI de WiFi para despliegues multiestación que aborda conjuntamente la falta de características por estación y la escasez de datos etiquetados mediante la adaptación del aprendizaje auto-supervisado CroSSL y una nueva técnica de aumento de enmascaramiento (SMA), logrando así un rendimiento robusto en escenarios del mundo real.
Este artículo analiza los desafíos de la normalización en la predicción de series temporales y propone mejoras para la Normalización de Instancia Reversible (RevIN) al identificar y eliminar componentes redundantes o perjudiciales mediante estudios de ablación.