3821 artículos
Este artículo propone dos algoritmos basados en datos para estimar políticas óptimas de precios e inventario en un entorno secuencial con demanda censurada y dependiente, abordando los desafíos de la pérdida de información y la no estacionariedad mediante aproximaciones de procesos de decisión de Markov de alto orden y análisis de supervivencia.
Este artículo propone un marco de control basado en la coincidencia de puntuación de difusión para sistemas no lineales, que utiliza un proceso de difusión hacia adelante seguido de una ley de retroalimentación determinista de "desruido" para guiar la densidad de probabilidad del sistema hacia una distribución objetivo, ofreciendo una alternativa tratable al control no lineal con garantías teóricas para sistemas sin deriva y lineales invariantes en el tiempo.
El artículo presenta SwitchMT, un método innovador que utiliza redes neuronales de espigas con conmutación de tareas adaptativa para mejorar el aprendizaje multitarea escalable de agentes autónomos, mitigando la interferencia entre tareas sin aumentar la complejidad de la red.
El artículo presenta Panda, un modelo de pronóstico preentrenado que, tras ser entrenado exclusivamente en un conjunto de datos sintéticos de sistemas caóticos, demuestra capacidades emergentes como la predicción en cero disparos de sistemas no vistos, la generalización de ecuaciones diferenciales ordinarias a parciales y el rendimiento efectivo en series temporales experimentales del mundo real.
Este estudio presenta una encuesta basada en datos que analiza el crecimiento y las tendencias de la investigación sobre las limitaciones de los modelos de lenguaje grandes (LLLMs) entre 2022 y 2025, identificando mediante un enfoque semiautomático que el razonamiento es la limitación más estudiada y que el volumen de publicaciones sobre este tema ha aumentado significativamente, especialmente en arXiv.
Este artículo propone un marco de razonamiento abductivo basado en la consistencia que integra las predicciones de múltiples modelos preentrenados mediante reglas lógicas para mitigar la degradación del rendimiento en entornos novedosos, logrando mejoras significativas en precisión y recall frente a enfoques individuales y de conjunto estándar.
El artículo presenta CARTGen-IR, un método de muestreo sintético basado en árboles de decisión que aborda la regresión con datos desequilibrados mediante una generación de muestras guiada por relevancia y densidad sin necesidad de umbrales, ofreciendo una alternativa rápida, interpretable y competitiva frente a técnicas existentes.
Este estudio demuestra que, en el contexto de la previsión de ventas minoristas con demanda intermitente y datos incompletos, los métodos basados en árboles como XGBoost superan a arquitecturas de aprendizaje profundo más sofisticadas, lo que sugiere que la selección del modelo debe priorizar la adecuación a las características del problema sobre la complejidad arquitectónica.
El artículo presenta ReLIFT, un nuevo enfoque de entrenamiento que alterna el aprendizaje por refuerzo con el ajuste fino en línea para superar las limitaciones del primero al incorporar nuevos conocimientos y patrones de razonamiento, logrando así mejoras significativas en benchmarks de alto nivel con una fracción mínima de datos de demostración.
Este artículo introduce los Modelos Escaneables de Prefijo (PSMs), una clase general de modelos de secuencia que unifica arquitecturas existentes como Mamba y GLA mediante operadores de agregación no necesariamente asociativos, logrando así un equilibrio óptimo entre entrenamiento paralelo, inferencia eficiente y una fuerte generalización en longitud.
Esta encuesta revisa la evolución de la privacidad diferencial desde sus fundamentos teóricos hasta su integración en modelos de aprendizaje automático, abarcando desde la IA simbólica hasta los grandes modelos de lenguaje, con el fin de ofrecer una visión integral para el desarrollo de sistemas de IA seguros y responsables.
El artículo presenta K-Sil, una variante del algoritmo -means que mejora la agrupación ponderando las instancias según una métrica de silueta adaptativa para reducir la influencia de los puntos ambiguos y ruidosos, logrando así un rendimiento superior en diversos conjuntos de datos reales.
Este artículo presenta el Entorno de Aprendizaje Yokai (YLE), un nuevo benchmark de código abierto para la coordinación cero-shot que supera las limitaciones del entorno Hanabi al requerir que los agentes cooperen mediante el seguimiento de creencias sobre cartas móviles y el razonamiento bajo pistas ambiguas, revelando así que los métodos de vanguardia que dominan Hanabi fallan en mantener modelos internos consistentes con socios desconocidos en este nuevo entorno.
Este artículo presenta el algoritmo \texttt{SRTS} basado en muestreo de Thompson para la optimización del ratio de Sharpe en un entorno de banditos estocásticos, demostrando teóricamente que alcanza límites de arrepentimiento óptimos en orden y superando a los métodos existentes en simulaciones empíricas.
Este trabajo establece las condiciones teóricas para la universalidad en simuladores cuánticos análogos con control global, demuestra su capacidad para generar dinámicas complejas y validación experimental mediante control óptimo directo en átomos de Rydberg, logrando interacciones de tres cuerpos y dinámicas topológicas.
Este trabajo presenta un método rápido y determinista basado en álgebra lineal estándar para completar tensores mediante la descomposición en tren tensorial, aprovechando patrones de observación donde las fibras a lo largo de un único modo están completamente registradas o totalmente ausentes.
Este artículo presenta un método de solución transferible y de cero disparos para problemas de control óptimo paramétrico que, mediante el uso de políticas de codificador de funciones y una descomposición fuera de línea/en línea, permite una adaptación eficiente a nuevos objetivos con un costo computacional mínimo y un rendimiento casi óptimo.
Este artículo explica teóricamente las ventajas de sincronizar la temperatura inversa y el sesgo entrenables en la pérdida de contraste sigmoidea, introduciendo el concepto de "Constelaciones" para justificar el éxito de SigLIP, explicar la brecha modal observada en modelos como CLIP y SigLIP, y determinar la dimensión necesaria para generar representaciones de alta calidad.
Este estudio demuestra que los modelos de aprendizaje profundo, específicamente U-Net y SCAN, superan significativamente a los métodos convencionales en la detección precisa de nubes y sombras para mejorar la cuantificación de emisiones de metano en las misiones satelitales MethaneSAT y MethaneAIR.
Este estudio presenta una investigación empírica a gran escala que revela que las dependencias intra e inter-modales en los conjuntos de datos multimodales varían significativamente y que muchos benchmarks diseñados para reducir sesgos textuales han inadvertidamente amplificado la dependencia de las imágenes, lo que subraya la necesidad de un diseño de evaluación más riguroso.