{"ok":true,"nota":{"id":"b1f87839bd47c031","slug":"un-metodo-de-aprendizaje-de-maquinas-predice-riesgos-con-precision-cas-b1f878","titulo":"Un método de aprendizaje de máquinas predice riesgos con precisión casi óptima","resumen":"Los investigadores desarrollaron un enfoque matemático para que sistemas de inteligencia artificial aprendan a estimar no solo un resultado promedio sino toda la gama de posibles resultados. Probaron que su método se acerca al límite teórico de eficiencia.","fuente":"arxiv-ia","fuenteNombre":"arXiv · Inteligencia artificial","color":"#b31b1b","autor":"Zijie Cheng","url":"https://arxiv.org/abs/2610.29595v1","imagen":"/hoy/portada/b1f87839bd47c031","tema":"ciencia","subtemas":["aprendizaje por refuerzo","inteligencia artificial","estadística","predicción de riesgo","teoría del aprendizaje"],"entidades":["arXiv"],"formato":"dato","entretenimiento":false,"pubTs":"2026-10-21T11:35:36.000Z","indexTs":"2026-10-22T01:26:57.324Z","hash":"5c16230b3a50a2e60e9d8ec3f753a6d19eb31156cede2a019afeeb6f20ae5df7","tsa":{"time":"Oct 22 01:27:20 2026 GMT","provider":"freetsa.org","sobre":"sello"},"stats":{"views":0,"likes":0,"clicks":0,"dwell":0},"tipo":"normal","registro":"hallazgo","porQueImporta":"El trabajo mide qué tan rápido puede aprender un sistema cuando debe anticipar un rango de resultados posibles y no un solo número. Para quien usa herramientas de IA en finanzas, logística o salud, esto significa que las predicciones que incluyen incertidumbre pueden llegar a ser más confiables sin necesitar muchísimos más datos. Lo que queda por ver es si esas garantías teóricas se sostienen cuando los datos reales son desordenados y poco previsibles.","quienFirma":"arXiv (preprint de la comunidad de inteligencia artificial)","confianza":"preprint","consulta":null},"sello":{"hash":"5c16230b3a50a2e60e9d8ec3f753a6d19eb31156cede2a019afeeb6f20ae5df7","sello":"37f742b45822aede263b6760dcaeabe2b261b9151ce062dfdc3d95a28e2481d9","beacon":{"drand":{"cadena":"8990e7a9aaed2ffed73dbd7092123d6f289930540d7651336225dc172e51b2ce","ronda":6573380,"aleatorio":"11ba6c5bb57502609594927e204a4f67f683f59741b7af2221c5c65bd35fecb7","tiempo":"2026-10-22T01:27:00.000Z"},"nist":{"cadena":2,"pulso":1993895,"salida":"62B96B0927802BE75B399CDF08D08A8395C7E3EB73D6D6F812775826294869741784CF9F88820212B6FC40BEA39163078193EBCD31970D3A9CB17AEF8955A7CD","tiempo":"2026-10-22T01:26:00.000Z"},"noAntes":"2026-10-22T01:27:00.000Z"},"verificacion":{"drand":true,"nist":true},"tsa":{"time":"Oct 22 01:27:20 2026 GMT","provider":"freetsa.org","sobre":"sello"},"original":{"titulo":"Near Minimax Rate for Quantile Distributional Reinforcement Learning","descripcion":"","pubDate":"2026-10-21T11:35:36Z","url":"https://arxiv.org/abs/2610.29595v1"},"indexado":"2026-10-22T01:26:57.324Z"}}