172 artículos
Este artículo introduce la "ventaja de reconstrucción" como una métrica de riesgo unificada que supera las limitaciones de los enfoques existentes, permitiendo una calibración de ruido y una auditoría más precisas en sistemas de privacidad diferencial.
El paper presenta STAMP, un nuevo marco de privacidad para texto que optimiza la relación entre privacidad y utilidad mediante la asignación selectiva de presupuestos de privacidad a nivel de token y el uso de un mecanismo polar que perturba solo la dirección de las incrustaciones preservando su magnitud y semántica.
Este artículo presenta el algoritmo HyGAMP, un marco sistemático que combina aproximaciones de paso de mensajes basadas en el Teorema del Límite Central para interacciones débiles con actualizaciones estándar para interacciones fuertes en modelos gráficos, logrando implementaciones más simples y un equilibrio entre rendimiento y complejidad.
Este artículo demuestra que, en un modelo de toma de decisiones binarias por votación donde cada voto tiene el mismo peso, el aprendizaje social es inútil y la estrategia óptima para maximizar el rendimiento del equipo consiste en ignorar las decisiones previas y mantener los votos secretos.
El artículo demuestra que, en procesos de aprendizaje social secuencial, es óptimo que los agentes bayesianos utilicen creencias iniciales inexactas y sistemáticamente sesgadas hacia la hipótesis menos probable para maximizar la precisión del último agente, priorizando así la informatividad de sus decisiones sobre la corrección inmediata de las mismas.
Este artículo demuestra mediante un teorema de imposibilidad que los estados super dos-extensibles, que incluyen estados borrados y de rango completo, no pueden utilizarse para la distilación exacta de claves secretas unidireccionales con anuncio, revelando una brecha extrema entre este régimen y la distilación aproximada.
Este trabajo generaliza el teorema de Ziv-Merhav sobre la estimación universal de la entropía cruzada específica, extendiendo su validez más allá de los procesos markovianos hacia una clase más amplia de medidas desacopladas, incluyendo pares de g-medidas regulares y medidas de equilibrio en mecánica estadística.
Este artículo explora el potencial de los modelos de difusión generativos (GDM) en las comunicaciones MIMO masivas, ofreciendo una visión general de su marco teórico, presentando un estudio de caso sobre estimación de canales en campo cercano y delineando los desafíos y direcciones futuras para su aplicación en las redes 6G.
Este artículo presenta un marco matemático discreto basado en particiones granulares y una medida de pérdida de información (KL-CU) para cuantificar y optimizar el equilibrio entre la fidelidad informativa y la interpretabilidad en sistemas de IA, demostrando que la pérdida nula es un caso excepcional y no un estándar realista.
Este artículo investiga el diseño de beamforming para sistemas de multicast multi-grupo basados en arrays de apertura continua (CAPA) para maximizar la eficiencia energética, proponiendo un algoritmo óptimo basado en el método de Dinkelbach y una aproximación de bajo costo con cero-forzado, demostrando mediante resultados numéricos que los CAPA superan a las arrays discretas pero que su rendimiento depende críticamente del tamaño de la apertura y la distribución de los usuarios.
Este artículo establece las bases teóricas para resolver las ecuaciones de Navier-Stokes con simetría axial en un cilindro mediante una base funcional de formas armónicas (Beltrami, anti-Beltrami y cerradas) que reduce el problema a una jerarquía de relaciones cuadráticas, las cuales se propone determinar mediante un algoritmo de redes neuronales informadas por física.
Este artículo propone y demuestra la optimalidad de nuevos esquemas de computación distribuida codificada para redes en anillo, los cuales mitigan el cuello de botella de comunicación mediante el aprovechamiento de la topología del anillo y la computación redundante, logrando ganancias multiplicativas con la distancia de difusión y aditivas con la redundancia de cálculo.
Este artículo presenta xBound, el primer marco teórico para calcular cotas inferiores probables del tamaño de las uniones, que corrige la subestimación sistemática en la estimación de cardinalidad y mejora significativamente el rendimiento de consultas en entornos de producción como Microsoft Fabric Data Warehouse.
Este artículo propone algoritmos de predicción conformal en línea que, mediante la detección de cambios de distribución y el uso de estabilidad en lugar de simetría de permutación, logran un arrepentimiento condicional de entrenamiento óptimo en el sentido minimax para datos no estacionarios con deriva abrupta o suave.
Este artículo estudia una familia de códigos geométricos para la corrección de errores analógicos en computación en memoria basada en cruces resistivos, desarrollando un análisis geométrico que caracteriza sus perfiles de altura-m para manejar múltiples errores atípicos.
Este artículo presenta el marco de Entropía de Patrones Basada en Diccionario (DPE), una metodología novedosa que integra la Teoría de la Información Algorítmica y la de Shannon para inferir la dirección causal en secuencias simbólicas mediante la identificación de patrones deterministas que reducen la incertidumbre, demostrando un rendimiento robusto y superior en diversos sistemas sintéticos y datos biológicos.
Este artículo presenta una nueva clase de entropías condicionales suaves que permiten una caracterización unificada y óptima de la extracción de aleatoriedad contra información cuántica, mejorando significativamente los límites de la lema de hash residual y las expansiones asintóticas de segundo orden para la amplificación de privacidad.
Este trabajo presenta axiomatizaciones completas de la divergencia de Kullback-Leibler y de las divergencias de Rényi de orden arbitrario para dos estructuras monoidales naturales de matrices estocásticas, formuladas desde una perspectiva categórica mediante diagramas de cadenas enriquecidos con ecuaciones cuantitativas.
Este artículo propone un enfoque híbrido que combina modelado teórico con pruebas empíricas para determinar la asignación óptima de recursos de hardware en la inferencia de LLMs con desagregación de prellenado y decodificación, garantizando el cumplimiento de los objetivos de nivel de servicio (SLO) y las características de las solicitudes.
Este artículo propone un método de localización por pertenencia a conjuntos basado en programación convexa para estimar la ubicación de un punto en a partir de mediciones de distancia ruidosas con errores acotados, caracterizando un conjunto de localización no convexo y generando estimaciones garantizadas mediante envolventes externas simples como cajas o elipsoides.