335 artículos
Este artículo establece un marco de estabilidad algorítmica promedio para el descenso de gradiente estocástico precondicionado multipaso, demostrando cómo la elección del precondicionador afecta la dimensión efectiva y el riesgo de generalización, y proporcionando límites superiores e inferiores coincidentes que vinculan la curvatura del riesgo poblacional con la geometría del ruido.
Este artículo presenta BTZSC, un benchmark integral de 22 conjuntos de datos que evalúa y compara sistemáticamente el rendimiento de cuatro familias de modelos (codificadores cruzados, modelos de incrustación, rerankers y LLMs) en clasificación de texto zero-shot, revelando que los rerankers modernos establecen un nuevo estado del arte mientras que los modelos de incrustación ofrecen el mejor equilibrio entre precisión y latencia.
Este artículo demuestra matemáticamente y mediante experimentos numéricos que las redes de reacciones químicas sin capas ocultas pueden aprender tareas de clasificación más eficiente y con mayor precisión que las redes neuronales de spiking que requieren capas ocultas, ofreciendo una explicación teórica sobre la posible superioridad del aprendizaje en redes bioquímicas celulares frente a las neuronales.
Este artículo presenta un nuevo enfoque para el diseño óptimo de experimentos bayesianos por lotes basado en flujos de gradiente de Wasserstein, que transforma el problema de optimización en un espacio de medidas de probabilidad para obtener políticas de diseño estocásticas y algoritmos escalables capaces de explorar paisajes de optimización multimodales.
Este trabajo proporciona una caracterización cuantitativa del olvido en el entrenamiento continuo de modelos generativos, demostrando teóricamente que los objetivos de divergencia KL inversa evitan el colapso de la masa de tareas anteriores y limitan el desplazamiento de componentes mediante la superposición de distribuciones, a diferencia de la KL directa que conduce al olvido masivo.
Este artículo corrige las limitaciones de sesgo y estrechez excesiva de la aproximación de Laplace riemanniana previa al proponer dos variantes alternativas basadas en la métrica de Fisher que garantizan exactitud en el límite de datos infinitos y mejoran el rendimiento práctico.
Este trabajo propone un algoritmo de aprendizaje por refuerzo en línea basado en el optimismo para contextos de banda contextual y RL regularizados por KL, demostrando teóricamente que explora el paisaje de optimización benigno de la regularización para lograr un límite de arrepentimiento logarítmico, superando así las limitaciones de análisis previos que dependían de supuestos de cobertura fuertes o se reducían al escenario de RL tradicional.
El artículo demuestra que los choques geopolíticos y geoeconómicos afectan de manera distinta al riesgo soberano, operando a través de canales opuestos (un patrón de tijeras) donde los primeros impactan directamente el riesgo de incumplimiento y los segundos se transmiten mediante la política monetaria y el ciclo financiero global, lo que implica que la provisión de liquidez puede mitigar el segundo tipo de riesgo pero no el componente persistente de las primas de riesgo geopolítico.
Este artículo presenta un enfoque basado en muestreo Thompson contextual para generar secuencias de ejercicios personalizados que optimizan la mejora de habilidades en entornos educativos digitales, demostrando mediante datos de una plataforma de tutoría matemática que este método incrementa el aprendizaje y permite una instrucción adaptativa a escala.
Este trabajo presenta SSRCA, una nueva metodología basada en aprendizaje automático que facilita el análisis de sensibilidad en modelos basados en agentes biológicos al identificar parámetros sensibles y patrones de salida, demostrando su robustez y aplicabilidad general mediante un ejemplo de crecimiento de esferoides tumorales.
Los autores proponen una extensión de los modelos semi-paramétricos basados en árboles de regresión bayesianos aditivos (BART) que permite compartir covariables entre los componentes paramétrico y no paramétrico mediante la modificación de las operaciones de generación de árboles, lo que resuelve problemas de no identificabilidad y sesgo mientras mejora la interpretación de efectos principales e interacciones complejas.
Este artículo presenta un algoritmo de minimización de bloque mediante mayorización para optimización no convexa con restricciones en variedades de Riemann, demostrando su convergencia a puntos estacionarios con una complejidad de y validando experimentalmente su superioridad frente a métodos euclidianos estándar.
Este artículo propone dos algoritmos de un solo bucle de orden cero, ZO-PDAPG y ZO-RMPDPG, que garantizan la convergencia a puntos estacionarios para problemas minimax no convexos con restricciones lineales acopladas en entornos deterministas y estocásticos, estableciendo nuevos estándares de complejidad iterativa y superando a los métodos existentes.
Este artículo propone un enfoque de factorización de matrices no negativas (NMF) con una formulación min-max para mejorar la equidad en la descomposición de datos, presentando algoritmos de optimización y demostrando mediante experimentos que, si bien puede reducir el sesgo entre grupos, a menudo implica un compromiso con el error individual y requiere una adaptación cuidadosa al contexto de aplicación.
Este estudio experimental demuestra que los modelos de aprendizaje automático conscientes de la equidad logran un mejor equilibrio entre la precisión predictiva y la equidad en la puntuación de crédito en comparación con los modelos de clasificación tradicionales.
Este artículo demuestra que el entrenamiento de redes neuronales mediante flujo de gradiente en el espacio de Wasserstein sufre de la maldición de la dimensionalidad, donde la tasa de decaimiento del riesgo poblacional está limitada por la dimensión del espacio y la suavidad de la función objetivo, independientemente de si se utilizan funciones de activación Lipschitz o localmente Lipschitz.
Este trabajo extiende el método de flujo de entropía para derivar cotas de generalización válidas para cualquier algoritmo de aprendizaje gobernado por un proceso de Markov homogéneo en el tiempo, estableciendo nuevas conexiones con desigualdades de Sobolev logarítmicas modificadas y demostrando su eficacia en diversos algoritmos concretos.
El artículo propone y analiza Clip21-SGD2M, un nuevo método para el aprendizaje federado que combina recorte, momento de tipo heavy-ball y retroalimentación de errores para lograr simultáneamente tasas de convergencia óptimas y garantías de privacidad diferencial en problemas no convexos con datos heterogéneos.
Este artículo presenta una formulación variacional del flujo de partículas basado en el homotopía logarítmico, demostrando que sigue una trayectoria de gradiente de Fisher-Rao que, al aproximarse con distribuciones gaussianas o mezclas gaussianas, recupera y generaliza flujos de partículas existentes para problemas de estimación de baja y alta dimensión.
Este artículo presenta CausalPitfalls, un nuevo benchmark diseñado para evaluar rigurosamente la capacidad de los modelos de lenguaje grandes para identificar y superar trampas estadísticas en la inferencia causal, revelando así sus limitaciones actuales y proporcionando métricas para desarrollar sistemas de razonamiento más confiables.