UBP2 introduce un método basado en modelos que explora activamente entornos razonando conjuntamente sobre las incertidumbres en las funciones de recompensa, dinámica y valor. Logra una eficiencia de muestras superior en el aprendizaje por refuerzo basado en preferencias, superando a los puntos de referencia libres de modelo y basados en modelos no optimistas en la benchmark Meta-World.
Un nuevo marco de agrupamiento utiliza la detección de anomalías a-contrario para definir los grupos como subconjuntos máximos sin anomalías bajo una hipótesis nula de aleatoriedad. El algoritmo Perception identifica valores atípicos utilizando un umbral basado en la esperanza (\mathbb{E} < 1), lo que permite un agrupamiento robusto y libre de parámetros que se expande a partir de entradas mínimas de semillas y maneja eficazmente el ruido y los grupos emergentes.
Este artículo presenta StruBI, un algoritmo que identifica sesgos de confusión y selección ocultos analizando los cambios en los mecanismos causales a través de entornos. Formaliza un criterio basado en información mutua para detectar sesgos estructurales y demuestra un rendimiento superior en la recuperación de variables sesgadas en datos sintéticos y del mundo real.
Skill-MAS introduce un nuevo enfoque que desacopla la retención de experiencia de las actualizaciones paramétricas modelando la orquestación como una Meta-Habilidad evolutiva. Utiliza un proceso de bucle cerrado que implica ejecuciones múltiples de trayectorias y reflexión selectiva para destilar principios de estrategia reutilizables, logrando fuertes mejoras de rendimiento y transferencia robusta entre tareas y LLMs.
Este trabajo presenta un marco que certifica la robustez de los modelos de visión y lenguaje bajo transformaciones a nivel semántico, utilizando prompts de texto como proxies. Cuantifica intervalos de extensión para los cuales las predicciones permanecen sin cambios, sin requerir datos adicionales para cada variación. Los experimentos en datos sintéticos y del mundo real demuestran su efectividad a través de diversas variaciones semánticas.
TAPO avanza la auto-distilación mediante la construcción de trayectorias micro-reflectivas explícitas que retienen el razonamiento erróneo e insertan diagnósticos en lenguaje natural. Estas trayectorias, derivadas de rollouts del modelo correctos e incorrectos, proporcionan correcciones de error finas ancladas en el propio razonamiento del modelo, mejorando tanto el razonamiento del primer intento como la corrección de errores en comparación con GRPO.
El artículo introduce el Núcleo de Caminos de Partición (KPP), una representación geométrica unificada para conjuntos de árboles que indexa mapas de características por nodos en lugar de divisiones. KPP utiliza una métrica de camino para definir una matriz de Gram no diagonal con una estructura métrica, permitiendo cotas unificadas sobre predicción, atribución, robustez y generalización para regresión y clasificación bajo tres regímenes de condicionamiento. La garantía del radio de robustez es determinista en la métrica KPP, no en las normas de entrada cruda, y los refinamientos de tasa rápida se plantean como problemas abiertos.
Un nuevo método utiliza difusión para entrenar CRFs en secuencias completas de etiquetas, condicionando sobre etiquetas ruidosas. Cuando se combina con inferencia aproximada, reduce el error de etiquetado POS en un 16.5%.
El artículo introduce certificados locales que proporcionan bandas de confianza bilaterales para los incrementos del riesgo poblacional alrededor de un modelo actual. El extremo superior de esta banda define una regla de actualización controlada por riesgo: las actualizaciones se aceptan solo si el extremo superior certificado es no positivo; de lo contrario, se conserva el modelo actual.
Whisperian es una aplicación de Android que permite a los usuarios utilizar la entrada del micrófono con modelos locales de Reconocimiento Automático del Habla (ASR). La aplicación está disponible para descargar en Google Play Store.
Un estudio evalúa cómo los sesgos inductivos arquitectónicos afectan la capacidad de los emuladores de aprendizaje automático para capturar la dinámica de calentamientos estratosféricos súbitos en simulaciones idealizadas. Los resultados muestran que el acoplamiento vertical tridimensional es un sesgo clave, con el rendimiento del modelo divergiendo significativamente durante la variabilidad activa similar a SSW. Sin embargo, un bajo error de pronóstico no garantiza interacciones precisas entre ondas y flujo medio, ya que persisten errores coherentes en la estructura de conducción de ondas estratosféricas.
QUAM-SM es un marco post-hoc que utiliza búsqueda adversarial para identificar píxeles 'adversarialmente frágiles' en la segmentación de imágenes médicas. Desacopla la incertidumbre epistémica y aleatoria y supera a los métodos existentes en fiabilidad y sensibilidad al límite en conjuntos de datos públicos con anotaciones de expertos.
Un marco de aprendizaje semi-supervisado de meta-retroalimentación permite escalar el frenado automático de emergencia utilizando grandes volúmenes de datos de flota no etiquetados. El enfoque estabilizado reduce los errores de pseudoetiquetas y suprime las alucinaciones de riesgo, logrando una relación de 100:1 entre activaciones positivas y falsas, y un 35% más de kilómetros conducidos sin accidentes en comparación con una línea base solo basada en reglas en despliegues del mundo real.
Un estudio encuentra que excluir características basándose únicamente en la manipulabilidad es subóptimo en la clasificación estratégica. La investigación desarrolla un algoritmo conjunto para seleccionar características y ajustar la regularización ridge, ofreciendo un marco práctico para mitigar la manipulación estratégica en sistemas de decisión en salud.
Un método basado en flow-matching alinea las imágenes OCT en tiempo de prueba con trayectorias de referencia sintéticas, igualando distribuciones de histograma para reducir las discrepancias de píxeles inducidas por el ruido. Al eliminar la condición temporal, el modelo se adapta a las variaciones del ruido del mundo real, logrando una segmentación de biomarcadores de última generación en etapas de degeneración macular asociada a la edad.
Se propone una red neuronal consciente del cambio de dominio para estimar masas desbalanceadas en ejes rotativos bajo condiciones operativas variables. El modelo utiliza la discrepancia media máxima para alinear las representaciones de características entre diferentes dominios operacionales, mejorando la precisión de la predicción cuando los comportamientos del sistema difieren de las condiciones de entrenamiento. Los resultados muestran su efectividad en aplicaciones de monitoreo de salud estructural donde las discrepancias de dominio son desconocidas o no consideradas.
Proponemos un método generativo que utiliza SDE latentes para detectar anomalías en series temporales multivariadas dispersas e irregulares. El enfoque proyecta los datos observados sobre sistemas estocásticos en tiempo continuo, manejando valores faltantes y muestreo irregular mientras captura patrones cíclicos. Los experimentos en seis conjuntos de datos de referencia muestran que nuestro método logra un rendimiento destacado, superando a las líneas base más avanzadas, especialmente bajo una alta dispersión de los datos.
REVES introduce un marco iterativo de dos etapas que mejora el razonamiento de los LLM mediante revisión y verificación secuenciales. Logra +6.5 puntos sobre las líneas base de RL y +4.0 puntos sobre el entrenamiento estándar multi-turno en LiveCodeBench, utilizando un modelo base de 4B con menos rollouts que los sistemas evolutivos grandes. El método mejora la corrección de errores y se generaliza a acertijos fuera de distribución como n_queens y mini_sudoku.
El artículo demuestra que la satisfacibilidad de las redes neuronales binarizadas es NP-completa mediante su reducción a SAT. También muestra que la oclusión uniforme de imágenes conduce a una estructura de salida por tramos constantes, lo que permite la verificación de robustez en tiempo polinomial.
TransitNet, un marco compacto de aprendizaje profundo aumentado con atención, alcanza una precisión del 95.2% en búsquedas ciegas de tránsitos con baja SNR, superando a TLS y BLS en valores ROC-AUC y PR-AP. Recupera el 93.0% de los tránsitos inyectados de tamaño terrestre y subterrestre, con el 97.4% de los tránsitos inyectados completamente cubiertos por las ventanas de tránsito estimadas, y recupera exitosamente los 34 planetas confirmados de Kepler con un error medio en el punto medio de 1.24 horas.