259 artículos
El artículo presenta ResNMTF, un nuevo enfoque de biclustering multivista basado en la factorización no negativa de matrices que identifica automáticamente grupos de filas y sus características específicas por vista, y propone la puntuación bisilhouette como métrica intrínseca para su evaluación y ajuste de hiperparámetros.
Este artículo propone estimadores semiparamétricos eficientes y un marco de inferencia que incorporan efectos de centro en ensayos aleatorizados multicéntricos para corregir los sesgos y la pérdida de potencia causados por ignorar la correlación intra-centro, mejorando así la estimación de los efectos promedio del tratamiento y de las medias contrafactuales.
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 presenta un marco metodológico para estimar la capacidad operativa y la capacidad última de sistemas portuarios multimodales mediante modelos de colas y ecuaciones diferenciales, aplicados al Puerto de Houston para identificar cuellos de botella críticos y evaluar la resiliencia ante interrupciones.
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 propone un enfoque basado en ensambles de árboles y regresión distribucional para estimar distribuciones de probabilidad completas de futuros conflictos violentos, superando las limitaciones de las predicciones puntuales tradicionales y demostrando mejoras de rendimiento significativas en regiones afectadas por conflictos.
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.
Este artículo presenta una evaluación sistemática de modelos de lenguaje grande (GPT y Gemini) que demuestra su capacidad para construir diseños factoriales fraccionados de dos niveles óptimos con hasta ocho factores en 8, 16 y 32 corridas, superando la necesidad de depender exclusivamente de catálogos tradicionales.
Este artículo propone un enfoque bayesiano de dos etapas que integra la incertidumbre del modelo en la identificación de subgrupos para mejorar la inferencia sobre los efectos del tratamiento en ensayos controlados aleatorizados, demostrando su superioridad mediante simulaciones y su aplicación en un ensayo internacional sobre COVID-19.
Este trabajo establece umbrales óptimos de información para la detección de geometría latente en grafos geométricos aleatorios bipartitos ruidosos, demostrando que el problema es significativamente más fácil cuando la máscara de ruido es conocida y resolviendo la brecha entre estadística y computación mediante un nuevo marco analítico de Fourier.
Este artículo cierra la brecha entre los regímenes de aproximación gaussiana y de concentración en integrales de Laplace de alta dimensión al derivar una expansión asintótica explícita con cotas de error cuantitativas que permanecen válidas arbitrariamente cerca del umbral de concentración, permitiendo así aproximaciones analíticas y métodos de transporte polinomial para distribuciones concentradas.
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 demuestra que un solo paso de reponderación basado en la curvatura de Ricci de Lin-Lu-Yau en un modelo de bloques estocásticos equilibrado amplifica la conectividad intra-bloque, mejorando significativamente el agrupamiento espectral, y establece que la iteración de este proceso durante un horizonte finito sigue de manera uniforme una recursión determinista.
Este artículo demuestra que el uso de generadores de números aleatorios con estado en modelos basados en agentes distorsiona las comparaciones contrafactuales causales al vincular las semillas aleatorias al orden de ejecución en lugar de a los eventos, y propone una solución basada en identificadores de eventos y generadores basados en contadores para restaurar la coherencia causal.
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.