Un científico con doble afiliación industrial y académica comparte ideas sobre el desarrollo de una teoría científica fundamental del aprendizaje automático, basada en aproximadamente siete años de trabajo. La publicación describe reflexiones sobre cómo lograr una verdadera ciencia del aprendizaje profundo.
Este artículo desarrolla una visión unificada de la Lógica Fuzzy Mediadora, desde sus fundamentos tipo-1 hasta extensiones tipo-2, tipo-3 y cuánticas. Caracteriza el operador mediador, modela valores de verdad y presenta un sistema proposicional, estableciendo su solidez y paraconsistencia.
Este artículo investiga la complejidad de tamaño y la decidibilidad de la progresión de primer orden, un método para actualizar bases de conocimiento en IA. Demuestra que, para clases de acciones específicas dentro del marco del Cálculo de Situaciones, la progresión de primer orden crece polinómicamente y mantiene la decidibilidad al usar ciertos fragmentos de bases de conocimiento.
Este contenido delinea un mapa conceptual o marco teórico altamente abstracto, posiblemente para un sistema de IA, detallando conceptos como el tiempo simbólico y físico, y una tríada energética. Describe una topología reversible para una 'Plataforma Resonante Terminal Apretada de la Fisicalidad', con mención explícita a Perplexity.ai.
Este artículo introduce un marco finito basado en la teoría de haces para detectar el cambio de teoría científica en agentes de IA. Se enfoca en identificar cuándo un marco representacional existente necesita extensión debido a una obstrucción local-global, en lugar de una simple deformación.
Este trabajo introduce una clasificación de dinámicas de aprendizaje (escalar-reducibles vs. escalar-irreducibles) y demuestra que las dinámicas escalar-irreducibles permiten la conmutación de régimen endógena, crucial para la inteligencia autónoma. Sugiere un nuevo paradigma dinámico para la exploración de regímenes sin programación externa.
Este trabajo utiliza las probabilidades condicionales de los LLM para situarlos dentro de la teoría matemática de los procesos estocásticos. Se presenta una medida de atribución de tokens probabilística e independiente del modelo, que utiliza la regla de Bayes para capturar la representación interna de la distribución de secuencias de tokens.
Este contenido introduce el tiempo continuo en la Inferencia Activa, destacando que la creencia posterior de un agente sobre el estado del mundo se mueve con su dinámica. Conecta la Inferencia Activa con la teoría de control y describe la codificación predictiva como un descenso de gradiente literal en coordenadas generalizadas, incluyendo posición y velocidad.
Este contenido explora el concepto de artefactos como una forma de memoria que va más allá de los límites de un agente. Discute cómo los objetos externos pueden ayudar en la cognición y el almacenamiento de información.
Este artículo probablemente explora el concepto de mantener la continuidad funcional en sistemas, posiblemente IA, sin depender explícitamente de estructuras de memoria. Podría discutir implicaciones filosóficas o diseños arquitectónicos que logran este estado.