333 artículos
El artículo presenta SPPCSO, un innovador método de estimación penalizada que combina la regresión de componentes principales con regularización para lograr una selección de variables estable y precisa en datos de alta dimensión con alta correlación y ruido, demostrando su eficacia tanto en experimentos numéricos como en el análisis de expresión génica.
Este artículo presenta los Entornos de Monitoreo Sintético (SMEs), una suite infinita de tareas de control continuo con políticas óptimas conocidas que permiten diagnósticos precisos y evaluaciones rigurosas de algoritmos de Aprendizaje por Refuerzo, transformando la evaluación empírica en un análisis científico estandarizado.
Este artículo propone el modelo BAEN-SVM, que utiliza una nueva función de pérdida elástica asimétrica acotada para lograr una clasificación binaria robusta frente al ruido y con propiedades geométricas y teóricas mejoradas, resolviendo su optimización no convexa mediante un algoritmo eficiente.
Este trabajo presenta un marco para el cálculo certificado y preciso de normas en espacios funcionales de redes neuronales profundas, combinando aritmética de intervalos, refinamiento adaptativo y cuadratura para obtener cotas deterministas garantizadas de integrales como las normas y Sobolev, superando las limitaciones de las evaluaciones puntuales tradicionales.
Este artículo presenta DistBART, un enfoque bayesiano no paramétrico para la regresión de distribuciones que utiliza ensembles de árboles de decisión para modelar funcionales lineales y no lineales, ofreciendo tanto garantías teóricas de concentración del posterior como una aproximación eficiente mediante características aleatorias para escalar a grandes conjuntos de datos.
Este artículo presenta un enfoque de caché consciente de la semántica que reduce el tiempo de ejecución del aprendizaje de conceptos en un orden de magnitud al optimizar la recuperación de instancias mediante un mapa sensible a la subsumción, demostrando su eficacia tanto en razonadores simbólicos como neuro-simbólicos.
Este artículo propone un marco de refutación agnóstico a la representación que establece condiciones teóricas para la no identificabilidad del efecto causal condicional (CATE) y ofrece un método neuronal para calcular cotas de sesgo inducido por la reducción de dimensionalidad, permitiendo así la identificación parcial del CATE en escenarios donde la validez de la estimación se ve comprometida.
El artículo presenta Onflow, un algoritmo de asignación de carteras basado en aprendizaje por refuerzo y flujos de gradiente que optimiza los retornos logarítmicos sin asumir distribuciones de rentabilidad y demuestra ser robusto y superior a métodos existentes en escenarios con altos costos de transacción.
El artículo propone utilizar la Matriz de Información de Datos (DIM) en redes neuronales ReLU entrenadas como clasificadores para revelar una estructura geométrica de foliación singular en los datos, demostrando que esta estructura existe casi en todas partes y que su espectro permite medir distancias entre conjuntos de datos para la transferencia de conocimiento.
El artículo demuestra que, bajo diversas parametrizaciones y condiciones de regularidad, las redes bayesianas fieles constituyen un conjunto abierto y denso (es decir, son "típicas"), lo que garantiza la consistencia de algoritmos de descubrimiento causal basados en restricciones como PC y FCI en la mayoría de los casos.
Este artículo presenta el AU-learner, un nuevo método de aprendizaje ortogonal que utiliza identificación parcial para cuantificar la incertidumbre aleatoria del efecto del tratamiento mediante la estimación de límites precisos para su distribución condicional en datos observacionales.
Este artículo presenta FINN, una red neuronal informada por finanzas que aprende la geometría de la valoración de opciones mediante un objetivo de cobertura dinámica auto-supervisado, logrando así consistencia económica, recuperación de relaciones fundamentales como la paridad put-call y una adaptación superior a entornos de volatilidad estocástica sin depender de soluciones analíticas o datos históricos de precios de opciones.
Este trabajo propone dos algoritmos basados en Thompson sampling (PE-GP-TS y HP-GP-TS) para la selección adaptativa de priores en banditos de procesos gaussianos, estableciendo límites teóricos de arrepentimiento y demostrando su eficacia mediante experimentos sintéticos y del mundo real.
Este artículo presenta un modelo no paramétrico de Grafos de Producto Ponderado Aleatorio (WRDPG) que extiende los modelos tradicionales al permitir la discriminación de distribuciones de pesos de aristas mediante momentos de orden superior, ofreciendo además garantías estadísticas para la estimación de posiciones latentes y un marco generativo para la simulación de grafos ponderados.
Este trabajo establece garantías teóricas para la estimación de distribuciones mediante Flow Matching al controlar la dependencia de la constante de Lipschitz, derivando una tasa de convergencia mejorada en la distancia de Wasserstein 1 para distribuciones no acotadas en entornos de alta dimensión sin requerir log-concavidad.
Este artículo investiga la existencia y el cálculo de funciones de Busemann en el espacio de Wasserstein, estableciendo expresiones cerradas para distribuciones unidimensionales y medidas gaussianas que permiten definir nuevas distancias Sliced-Wasserstein aplicables a problemas de aprendizaje por transferencia.
Este artículo introduce el concepto de "aprendizaje arbitrado", donde un aprendiz utiliza dos proponentes competidores (uno honesto) para evaluar modelos opacos, logrando protocolos que seleccionan el mejor modelo con una precisión multiplicativa consultando la función de verdad solo una vez y comunicando una cantidad de bits polinómica, superando así drásticamente la eficiencia de los métodos tradicionales con un solo proponente.
Este trabajo propone un marco bayesiano unificado que explica el aprendizaje en contexto y la dirección de activaciones en modelos de lenguaje como mecanismos que alteran las creencias sobre conceptos latentes, permitiendo predecir y controlar su comportamiento mediante la acumulación de evidencia y el ajuste de priores.
Este artículo propone tres algoritmos escalables basados en inferencia variacional y propagación de expectativas para aproximar la distribución posterior en modelos de regresión probit acumulativa, superando las limitaciones computacionales de los métodos MCMC tradicionales y demostrando su eficacia en un estudio de caso sobre redes criminales.
Este artículo resuelve la paradoja entre la conectividad de los valles de pérdida y la confinación de la dinámica de optimización en redes neuronales sobreparametrizadas, demostrando que las barreras entrópicas generadas por la variación de la curvatura y el ruido actúan como fuerzas efectivas que mantienen a los algoritmos localizados en los mínimos, incluso cuando el paisaje de pérdida es plano.