38 artículos
Este artículo presenta algoritmos paralelos basados en mapas de Picard para simular cadenas de Markov Metropolis de orden cero que aceleran la convergencia en distribuciones log-cóncavas mediante el uso de evaluaciones puntuales del logaritmo de la densidad, demostrando su eficacia en problemas de alta dimensión como regresión, modelos epidemiológicos y medicina de precisión.
Este artículo presenta la modelización generativa bayesiana (BGM), un marco unificado que utiliza un algoritmo de actualización bayesiana estocástica iterativa para aprender un modelo generativo único capaz de realizar inferencias condicionales arbitrarias con cuantificación rigurosa de la incertidumbre, sin necesidad de reentrenamiento.
Este artículo presenta un marco de procesos puntuales temporales para muestrear distribuciones de conteo multivariadas con soporte hacia abajo cerrado, demostrando que su implementación como colas de servidores infinitos acoplados supera a los procesos de nacimiento-muerte y Zanella en eficiencia y ofrece una base para redes neuronales estocásticas recurrentes con características biológicamente plausibles.
Este trabajo presenta BNEM, un muestreador de Boltzmann basado en la coincidencia de energía ruidosa y una técnica de *bootstrapping* que permite generar muestras independientes a partir de funciones de energía conocidas, logrando un rendimiento superior y mayor robustez en comparación con métodos existentes.
Este artículo presenta un nuevo algoritmo de complejidad lineal que permite calcular de manera eficiente una curva completa de cotas post hoc para la proporción de descubrimientos falsos a lo largo de una secuencia de conjuntos de hipótesis crecientes, aprovechando una estructura de bosque en la familia de referencia para reducir la complejidad computacional de a .
Este artículo presenta StablePCA, un marco de aprendizaje robusto distribucional que extrae representaciones latentes estables de datos multi-fuente mediante la maximización de la varianza explicada en el peor caso, abordando la no convexidad del problema original a través de una relajación convexa resuelta con un algoritmo Mirror-Prox y validada mediante un certificado dependiente de los datos.
El estudio demuestra que, a diferencia de los modelos sintéticos, las redes reales del núcleo supraquiasmático mantienen la robustez y la sincronización de los ritmos circadianos al escalarse, revelando que el grado promedio de conexión, y no el tamaño de la red ni la agrupación, es el factor estructural determinante para la estabilidad de estos ritmos biológicos.
Este artículo establece la determinación única de coeficientes lineales y no lineales en una ecuación de Helmholtz semilineal mediante un enfoque de linealización de orden superior y propone un marco numérico basado en inferencia bayesiana para su reconstrucción y cuantificación de incertidumbre.
El artículo demuestra que si la propuesta de un algoritmo Metropolis-Hastings no es geométricamente ergódica y su tasa de aceptación tiende a la unidad, la cadena resultante tampoco lo será, y además compara la convergencia de los algoritmos de caminata aleatoria y guiada, mostrando que la segunda converge el doble de rápido para colas polinómicas pero se comporta de manera similar a la primera para potenciales estrictamente convexos.
El artículo propone TV-Select, un marco unificado que utiliza penalización doble y splines B para identificar simultáneamente qué covariables tienen efectos constantes o variables en el tiempo en modelos longitudinales, mejorando así la precisión estructural, la suavidad de la estimación y el rendimiento predictivo frente a métodos existentes.
El artículo reporta la primera realización de una fase topológica fraccionaria en un paseo cuántico de tiempo discreto unitario y no interactuante sobre grafos cíclicos finitos, demostrando cómo un protocolo de paso dividido con una sola moneda genera invariantes topológicos fraccionarios, bandas planas y estados de borde robustos que desafían la clasificación topológica convencional.
Este artículo presenta Momentum SVGD-EM, un método acelerado mediante la introducción de aceleración de Nesterov en los parámetros y en el espacio de medidas de probabilidad para optimizar la estimación de máxima verosimilitud marginal (MMLE) mediante el descenso de gradiente variacional de Stein (SVGD), logrando una convergencia más rápida en diversos escenarios de baja y alta dimensionalidad.
Este artículo propone dos criterios robustos y un algoritmo de diferencia de convexos para aprender reglas de tratamiento óptimas en datos de supervivencia censurados, enfocándose en maximizar el tiempo de supervivencia truncado y las probabilidades de supervivencia bufferizadas, con validación teórica y empírica que demuestra un rendimiento superior frente a métodos existentes.
El artículo presenta CLIQUE, un nuevo método agnóstico al modelo para calcular la importancia local de variables que captura relaciones dependientes y comportamientos de interacción en problemas de clasificación multiclase, superando las limitaciones de técnicas populares como LIME y SHAP.
El artículo presenta NETCROP, un procedimiento de validación cruzada eficiente y preciso que divide las redes en subredes superpuestas para facilitar la selección de modelos y el ajuste de parámetros en redes complejas de gran escala.
Este artículo propone un algoritmo adaptativo que equilibra óptimamente la estimación de estadísticas de oráculo y la construcción de un estimador multifidelidad para reducir los costos computacionales, demostrando teórica y numéricamente que logra un error cuadrático medio comparable al de la asignación óptima ideal.
Este artículo propone un nuevo método para la comparación de dos muestras mediante modelos de árboles aditivos que estiman la razón de densidades utilizando una función de pérdida de balanceo, lo que permite tanto un entrenamiento eficiente mediante algoritmos de aprendizaje supervisado como una inferencia bayesiana para cuantificar la incertidumbre, demostrando su eficacia en datos de microbioma.
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 propone un marco teórico y algoritmos de optimización combinatoria para seleccionar particiones óptimas de dos bloques que aceleren la mezcla de cadenas de Markov finitas, minimizando la divergencia de Kullback-Leibler y la distancia de Frobenius mediante la caracterización de cortes óptimos y aproximaciones computacionalmente eficientes.
El artículo presenta la Regresión Gimbal, un marco de regresión local determinista y consciente de la geometría diseñado para garantizar una estimación estable y auditable en presencia de heterogeneidad espacial, evitando así la inestabilidad numérica causada por vecindarios anisotrópicos o de baja dimensión.