333 artículos
Este artículo propone el método de Optimización Bayesiana Paralela "Randomized Kriging Believer", el cual combina una implementación simple y de bajo costo computacional con garantías teóricas de arrepentimiento para optimizar funciones de caja negra costosas en entornos paralelos o asíncronos.
Este artículo propone un marco de regresión ridge funcional basado en particiones que descompone la función de coeficientes en efectos dominantes y más débiles para aplicar penalizaciones diferenciales, logrando así mejorar la estabilidad numérica, la interpretabilidad y el rendimiento predictivo en modelos de datos funcionales de alta dimensión.
El artículo presenta Co-Diffusion, un marco innovador de dos etapas basado en difusión latente que mejora la generalización en la predicción de afinidad fármaco-diana mediante la alineación de representaciones y la regularización estocástica, superando significativamente a los métodos actuales en escenarios de inicio en frío y espacios químicos no explorados.
Este trabajo demuestra que una arquitectura de red neuronal tridimensional con activaciones ReLU aumentadas por altura permite aproximar funciones analíticas y con tasas exponenciales mejoradas y de manera no asintótica, superando limitaciones fundamentales en la teoría de aproximación y ofreciendo diseños de redes más eficientes en parámetros.
Este artículo propone y analiza estimadores de redes neuronales profundas basados en el principio de mínima entropía de error para regresión no paramétrica con observaciones dependientes, demostrando que alcanzan la tasa óptima minimax de convergencia.
El artículo define formalmente la captura algorítmica y demuestra que, a pesar de su expresividad universal, los transformadores infinitos poseen un sesgo inductivo que limita su capacidad de aprendizaje a algoritmos de baja complejidad dentro de la clase EPTHS, impidiendo la generalización a problemas de mayor complejidad.
Este artículo presenta "mapas de transporte diagnósticos", un método que recalibra distribuciones predictivas iniciales mediante mapas dependientes de covariables para corregir errores locales y mejorar la fiabilidad en la cuantificación de incertidumbre de eventos raros, demostrando su eficacia en la predicción de la intensidad de ciclones tropicales.
El artículo presenta RIE-Greedy, una estrategia de selección de acciones sin exploración explícita que aprovecha la estocasticidad inherente al proceso de ajuste de modelos regularizados para inducir una exploración efectiva, demostrando equivalencia teórica con el Muestreo de Thompson en casos de dos brazos y un rendimiento superior en entornos empresariales a gran escala.
El artículo presenta el estimador "outrigger" de regresión polinómica local, un método adaptativo a la distribución de los errores que mejora la eficiencia frente a los estimadores estándar en escenarios no gaussianos, garantiza la optimalidad minimax bajo condiciones de suavidad y no requiere supuestos estructurales sobre la independencia o simetría de los errores.
Este trabajo presenta un marco unificado llamado wcPCA para aproximaciones de rango bajo que optimiza el rendimiento en el peor caso a través de dominios heterogéneos, demostrando optimalidad teórica y mejoras empíricas en aplicaciones de mundo real frente a métodos tradicionales como el PCA estándar.
Este artículo demuestra que, a diferencia de los modelos de difusión, la dinámica de Langevin carece de robustez ante errores en la estimación de la función de puntuación, ya que incluso errores arbitrariamente pequeños en la norma L² pueden generar distribuciones muy distantes de la objetivo en distancia de variación total dentro de un horizonte de tiempo polinomial.
Este artículo propone un estimador doblemente robusto con corrección de varianza tipo jackknife HAC para realizar inferencia estadística espacialmente robusta y con intervalos de confianza válidos en escenarios de datos con etiquetas faltantes al azar (MAR) y dependencia espacial, abordando la distorsión en la estimación de la varianza causada por el cross-fitting.
Este artículo introduce y valida un marco teórico que descompone la multiplicidad observacional en clasificadores de árboles de decisión en "arrepentimiento de hoja" y "arrepentimiento estructural", demostrando que la inestabilidad de la estructura del árbol es el principal factor de variabilidad y que estas métricas pueden utilizarse para mejorar la seguridad del modelo mediante la predicción selectiva.
Este artículo presenta un algoritmo de aprendizaje social basado en energía libre para el problema de la bandaits, que permite a un agente evaluar y aprovechar la experiencia de otros agentes diversos (incluyendo no expertos) sin conocer sus recompensas, logrando convergencia óptima y un arrepentimiento logarítmico superior a los métodos existentes.
Este artículo demuestra que la política Follow-the-Perturbed-Leader (FTPL) con distribuciones de Fréchet y Pareto, combinada con una nueva técnica de muestreo geométrico condicional, alcanza óptimos garantizados de "mejor de ambos mundos" (regresión óptima en entornos adversarios y logarítmica en estocásticos) para el problema de semi-brazos de -conjuntos, reduciendo además su complejidad computacional de a .
Este artículo analiza el colapso de modelos en la generación de lenguaje desde una perspectiva teórica del aprendizaje, demostrando que la repetición de salidas generadas por el modelo en el entrenamiento limita fundamentalmente ciertos tipos de generación mientras que sus resultados positivos validan heurísticas prácticas como la limpieza de datos y el filtrado de salidas.
Este capítulo establece los fundamentos del aprendizaje automático cuaterniónico mediante la introducción de estadísticas aumentadas, modelos linealmente amplios, cálculo cuaterniónico y estimación de error cuadrático medio para aprovechar las propiedades de rotación tridimensional de los cuaterniones.
Este artículo propone un nuevo marco de prueba-antes-de-pool (TTP) que fusiona brazos de control históricos y concurrentes utilizando pruebas de equivalencia y discrepancia máxima media (MMD) para controlar rigurosamente la tasa de error tipo I y aumentar la potencia estadística en ensayos clínicos.
El artículo presenta EnTransformer, un marco de pronóstico generativo profundo que combina la regresión estocástica con arquitecturas Transformer para realizar pronósticos probabilísticos multivariados coherentes y bien calibrados sin depender de suposiciones paramétricas restrictivas.
Este artículo presenta la Incrustación Espectral Adyacente Local (LASE), un método que descubre estructuras de baja dimensión local en redes mediante una descomposición espectral ponderada, superando las limitaciones de los enfoques globales al reducir el error de truncamiento y mejorar la reconstrucción y visualización de características locales.