337 artículos
La física de datos analíticos explora cómo los grandes volúmenes de información están transformando nuestra comprensión del universo, desde el comportamiento de partículas subatómicas hasta la estructura de galaxias lejanas. Esta disciplina combina el rigor de la física teórica con herramientas computacionales avanzadas para extraer patrones ocultos en experimentos complejos, permitiendo a los científicos formular predicciones más precisas y desafiar las leyes fundamentales de la naturaleza.
En Gist.Science, nos dedicamos a rastrear cada nuevo prepublicación que se carga en arXiv dentro de esta categoría. Procesamos cada documento para ofrecer dos versiones de resumen: una explicación en lenguaje sencillo para cualquier curioso y un análisis técnico detallado para expertos. Así, democratizamos el acceso al conocimiento de vanguardia sin sacrificar la profundidad científica.
A continuación, encontrarás la selección más reciente de investigaciones en física de datos analíticos, listas para ser exploradas en sus distintos niveles de detalle.
Este artículo propone un algoritmo de agrupamiento topológico jerárquico aplicable con cualquier métrica de distancia, capaz de identificar clústeres de formas arbitrarias y valores atípicos en diversos tipos de datos donde otros métodos fallan.
Este artículo propone el proceso Poisson Log-Normal (PoLoN), un marco no paramétrico basado en procesos gaussianos que permite modelar, predecir y extraer señales de datos de conteo discretos, superando las limitaciones de los métodos tradicionales al capturar dependencias no lineales complejas.
Este artículo presenta `PoissonRatioUQ`, un paquete de R diseñado para el modelado bayesiano y la cuantificación de la incertidumbre en razones de conteo, basándose en la premisa de que el valor de interés es el cociente de medias de Poisson.
Este estudio utiliza la teoría de perturbación singular y programas tensoriales para analizar la dinámica de escalas rápidas y lentas en redes neuronales de ancho infinito, revelando las condiciones matemáticas que provocan el fenómeno de "desaprendizaje de características" (*feature unlearning*) durante el entrenamiento con gradiente estocástico.
DerivKit es un paquete de Python que implementa diferenciación numérica estable para facilitar la inferencia estadística, sirviendo como puente entre los pronósticos rápidos de la matriz de Fisher y los métodos de muestreo intensivos como MCMC mediante aproximaciones de verosimilitud de orden superior.
Este artículo propone un nuevo método basado en la teoría del *Information Bottleneck* para estimar la dimensión latente relevante para una tarea, introduciendo un "crítico híbrido" que evita la sobreestimación de la dimensión y permitiendo calcularla de forma directa y robusta incluso en entornos con ruido.
Este artículo presenta un método eficiente para certificar el rendimiento de recursos cuánticos en situaciones de ensayos secuenciales no independientes y no idénticamente distribuidos (non-i.i.d.), demostrando que solo se requiere un número constante de pruebas de control para garantizar la fiabilidad de la tarea con un nivel de confianza específico.