329 artículos
Este trabajo propone un nuevo enfoque de regresión Fréchet para respuestas de distribuciones multivariadas basado en la familia semiparamétrica no paranoormal y la métrica de transporte no paranoormal, la cual descompone el problema en regresiones marginales y de dependencia para lograr una estimación eficiente, interpretaciones granulares y garantías de convergencia que mitigan la maldición de la dimensionalidad.
Este artículo presenta un nuevo método de regresión espacio-temporal generativa profunda que, mediante arquitecturas ligeras y ruido pre-aditivo, ofrece pronósticos probabilísticos precisos y confiables para epidemias, superando a los modelos existentes en múltiples conjuntos de datos y mejorando la toma de decisiones en salud pública.
Este artículo propone DualAdam, un optimizador que combina los mecanismos de actualización de Adam y su variante inversa (InvAdam) para garantizar la convergencia mientras mejora la generalización al ayudar a los modelos a escapar de mínimos agudos y encontrar mínimos planos, lo cual se valida mediante teoría de difusión y experimentos en clasificación de imágenes y ajuste fino de modelos de lenguaje grande.
Este artículo presenta MSKernelBench, un nuevo estándar de evaluación para múltiples escenarios, y CUDAMaster, un sistema multiagente que optimiza automáticamente kernels CUDA en diversos dominios (desde operaciones algebraicas hasta computación científica), logrando aceleraciones significativas que superan a métodos existentes y rivalizan con bibliotecas de alto rendimiento como cuBLAS.
Este artículo propone y valida un método mejorado de regresión rango-rango condicional (CRRR) mediante modelos de transformación condicional profundos (DCTM) y cross-fitting para estimar la movilidad intergeneracional con mayor precisión en escenarios no lineales y con resultados discretos, demostrando su eficacia tanto en simulaciones como en aplicaciones empíricas sobre ingresos en EE. UU. y movilidad educativa en la India.
El artículo presenta los Mapas de Flujo Variacionales (VFMs), un marco que permite la generación condicional de imágenes de alta calidad en un solo paso mediante el aprendizaje de una distribución de ruido inicial adaptada a la observación, superando así las limitaciones de los modelos iterativos tradicionales.
Este artículo presenta un marco teórico y empírico para entrenar políticas robustas en entornos parcialmente observables mediante un POMDP adversario que selecciona distribuciones latentes iniciales, demostrando que la exposición estructurada a estas distribuciones reduce significativamente las brechas de robustez y valida principios diagnósticos con garantías finitas.
El artículo presenta DistGP, un método de aprendizaje multi-robot que utiliza un modelo de proceso gaussiano disperso y la propagación de creencias gaussianas para entrenar de forma distribuida y asíncrona un modelo global con rendimiento superior a las alternativas existentes, incluso en entornos con conectividad dinámica y comunicación limitada.
Este trabajo presenta garantías finitas de muestra para aprender representaciones de estado impulsadas por costos y controladores subóptimos en sistemas de control lineal cuadrático gaussiano (LQG) de horizonte infinito, abordando tanto modelos de dinámica latente explícitos como implícitos (similares a MuZero) y estableciendo una nueva contribución técnica sobre la excitación persistente en procesos estocásticos.
Esta monografía ofrece una visión rigurosa de los aspectos teóricos y metodológicos de la inferencia probabilística y el aprendizaje mediante el método de Stein, abarcando desde la construcción de discrepancias y sus propiedades hasta su conexión con el descenso de gradiente variacional de Stein.
Este artículo propone un marco de predicción conforme que preserva la privacidad utilizando todos los datos sin necesidad de división, aprovechando la estabilidad de la privacidad diferencial para controlar la brecha entre puntuaciones internas y externas, lo que permite obtener conjuntos de predicción más precisos que los métodos basados en división.
El artículo presenta ReGEN-TAD, un marco generativo interpretable que combina arquitecturas de aprendizaje profundo con diagnósticos econométricos para detectar anomalías y inestabilidades estructurales en series temporales financieras de alta dimensión mediante un puntaje unificado sin necesidad de datos etiquetados.
Este artículo introduce un marco teórico basado en el filtrado de partículas para analizar rigurosamente los métodos de inferencia paralela en modelos de lenguaje, identificando garantías no asintóticas, mejoras algorítmicas y límites fundamentales, aunque sus hallazgos empíricos sugieren que la precisión final depende de factores más allá del error de muestreo.
Este estudio presenta un Transformer Bayesiano que integra múltiples mecanismos de incertidumbre en una arquitectura PatchTST para lograr pronósticos de carga probabilísticos bien calibrados y robustos ante cambios climáticos extremos, superando significativamente a los modelos deterministas y de ensambles profundos en cinco redes eléctricas globales.
Este artículo propone un marco de aprendizaje por transferencia robusto que utiliza información lateral para construir conjuntos de incertidumbre centrados en la estimación, logrando políticas más eficientes y menos conservadoras en dominios objetivo con cambios ambientales significativos.
Los autores desarrollan una pipeline de aprendizaje por refuerzo para simplificar diagramas de nudos, la cual se valida en nudos triviales complejos y en el nudo compuesto $4_1\#9_{10}$, donde logra recuperar la sorprendente cota superior de tres para su número de desanudado.
Este artículo presenta la Optimización Bayesiana Local Constrained (LCBO), un marco novedoso que supera los desafíos de la alta dimensionalidad en problemas con restricciones mediante un enfoque de descenso local y exploración guiada por la incertidumbre, logrando tasas de convergencia polinómicas y un rendimiento superior a los métodos actuales en benchmarks de hasta 100 dimensiones.
Este artículo propone un enfoque de búsqueda de producto interno máximo (MIPS) amortizado que utiliza redes neuronales, específicamente SupportNet y KeyNet, para predecir directamente los vectores óptimos aprovechando las propiedades matemáticas de las funciones de soporte, lo que reduce significativamente los costos computacionales para distribuciones de consultas fijas.
Este artículo presenta un método novedoso de monitoreo de condiciones basado en la detección probabilística de anomalías utilizando únicamente datos saludables, el cual incorpora cuantificación de incertidumbre y herramientas explicativas para la toma de decisiones en aplicaciones críticas, validándose con éxito en un conjunto de datos de transmisiones de helicópteros y un benchmark público.
Este artículo critica el enfoque actual de la predicción de series temporales a largo plazo, que prioriza la reducción marginal de métricas de error puntuales en tablas de clasificación, y propone una evaluación multidimensional que integre la fidelidad estadística, la coherencia estructural y la relevancia para la toma de decisiones para alinear el progreso de la investigación con los objetivos reales de la predicción.