LLM-Evolved Regularization Schedules Prevent Posterior Collapse in Latent Factor Analysis via Dynamical Systems
Este trabajo demuestra que la evolución de programas mediante modelos de lenguaje (LLM) puede descubrir esquemas de regularización adaptativos que evitan el colapso de la posterior en LFADS, ofreciendo una alternativa más eficiente que el entrenamiento basado en poblaciones para optimizar hiperparámetros en modelos variacionales.