262 artículos
Este artículo propone un enfoque de validación cruzada penalizada para la selección de modelos en redes bipartitas que garantiza la consistencia teórica, aborda el desequilibrio entre sobreajuste y subajuste en los distintos conjuntos de nodos y supera a los métodos tradicionales al preservar la asimetría inherente de estas redes.
Este artículo presenta un procedimiento de estimación semiparamétrico para modelos de efectos mixtos no lineales que utiliza splines penalizados y diferenciación automática mediante Template Model Builder, logrando un mejor rendimiento inferencial y una menor carga computacional en comparación con métodos existentes, como se demuestra en un estudio sobre el crecimiento de la altura en lactantes.
Este artículo propone enfoques bayesianos que integran datos de controles históricos mediante intervalos creíbles simultáneos para reducir el tamaño de la muestra del grupo control en estudios de carcinogenicidad a largo plazo, logrando disminuir el uso de animales sin comprometer el control de la tasa de error familiar.
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 trabajo propone CIM, un marco de dos etapas que combina inferencia causal y optimización de redes para maximizar el potencial de resultado en estado estacionario bajo restricciones presupuestarias, ofreciendo garantías teóricas tanto en la estimación de funciones de respuesta como en la relación de aproximación de la maximización de influencia.
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 artículo presenta un nuevo enfoque para la prueba de hipótesis secuencial robusta en datos longitudinales y correlacionados en grupos, que utiliza ecuaciones de estimación generalizadas para evaluar un rango más amplio de hipótesis sin depender de supuestos de modelado restrictivos, permitiendo además el manejo de datos incompletos mediante imputación múltiple.
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.
Este artículo propone un nuevo límite de generalización y un estimador teórico para pesos de balanceo óptimos en escenarios de múltiples tratamientos, introduciendo la estrategia de Agregación de Tratamientos y el modelo generativo Multi-Treatment CausalEGM para lograr una precisión superior y una escalabilidad constante que supera a los modelos tradicionales.
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 propone los Diseños Muestreales Balanceados Distribucionalmente (DBD), una nueva clase de diseños de muestreo probabilístico que maximizan la representatividad al minimizar la discrepancia entre las distribuciones auxiliares de la muestra y la población, logrando así una mejor precisión en estimaciones que métodos existentes, especialmente en aplicaciones de ciencias ambientales con datos costosos.
Este trabajo presenta un nuevo enfoque de calibración bayesiana que integra la discrepancia del modelo dentro del simulador mediante procesos gaussianos, demostrando su eficacia al calibrar un modelo de dinámica de dislocaciones discretas frente a observaciones de dinámica molecular y diferenciándolo del método tradicional de Kennedy y O'Hagan.
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.
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 un estimador convexo que combina penalizaciones de norma nuclear y para recuperar la estructura de baja rango y dispersa en la matriz de deriva de procesos de Ornstein-Uhlenbeck de alta dimensión impulsados por ruido de Lévy, demostrando mediante una desigualdad oráculo no asintótica que dicha estructura mejora la dependencia de la dimensión en comparación con los estimadores puramente dispersos.
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.