BCAM logra un éxito extraordinario en NeurIPS 2025 con cuatro artículos aceptados

• NeurIPS es la conferencia líder mundial en inteligencia artificial, aprendizaje automático y ciencias computacionales. La aceptación de artículos en NeurIPS es extremadamente competitiva, ya que solo una pequeña fracción de los trabajos enviados son seleccionados tras un riguroso proceso de revisión por pares.

• El éxito de este año refleja la solidez y diversidad de la actividad científica del BCAM, con contribuciones que abarcan desde la dinámica de fluidos hasta los últimos avances en aprendizaje automático.

El Basque Center for Applied Mathematics – BCAM se enorgullece de anunciar que cuatro artículos de sus equipos de investigación han sido aceptados en la prestigiosa Conference on Neural Information Processing Systems (NeurIPS) 2025. Se trata de un logro destacado que subraya la creciente presencia internacional de BCAM a la vanguardia de la investigación en matemáticas y aprendizaje automático.

NeurIPS es la conferencia de referencia mundial en inteligencia artificial, aprendizaje automático y ciencias computacionales. Su proceso de selección es sumamente exigente, y solo una pequeña parte de las propuestas enviadas son aceptadas tras una evaluación exhaustiva. De hecho, cada año solo un número muy reducido de artículos procedentes de instituciones españolas logra ser aceptado. Por ello, que BCAM haya conseguido cuatro artículos aceptados en una sola edición constituye un hito excepcional, que pone de manifiesto tanto su impacto internacional como su liderazgo a nivel nacional.

El éxito de este año refleja la amplitud y solidez de la investigación desarrollada en BCAM, con contribuciones que abarcan desde la dinámica de fluidos hasta los avances más innovadores en aprendizaje automático:

• Artículo del Computational Fluid Dynamics Group
  • “PINN Balls: Scaling Second-Order Methods for PINNs with Domain Decomposition and Adaptive Sampling” por Andrea Bonfanti, Ismael Medina, Roman List, Björn Staeves, Roberto Santana and Marco Ellero.  https://arxiv.org/pdf/2510.21262

Este trabajo presenta PINN Balls, un marco escalable de Redes Neuronales Informadas por Física (PINNs) que emplea una arquitectura local de Mixture of Experts para permitir una optimización eficiente de segundo orden en la resolución de ecuaciones en derivadas parciales (PDEs). Mediante la integración de un muestreo adaptativo adversarial para la descomposición del dominio, el método logra una precisión y escalabilidad de vanguardia, manteniendo al mismo tiempo una sólida fundamentación teórica.

• Artículo del Machine Learning Group:
• • “On the Optimality of the Median-of-Means Estimator under Adversarial Contamination” de Xabier de Juan and Santiago Mazuelas. https://arxiv.org/pdf/2510.07867

Este trabajo analiza el estimador Median-of-Means (MoM) bajo contaminación adversarial de datos, estableciendo nuevos límites superiores e inferiores para su error de estimación en diferentes clases de distribuciones. El artículo demuestra que MoM sigue siendo óptimo en el sentido minimax para distribuciones con varianza finita y ciertos casos de colas pesadas, pero se vuelve subóptimo para distribuciones de colas ligeras, aclarando así sus límites teóricos más allá del contexto gaussiano.

• • “Robust Minimax Boosting with Performance Guarantees” de Santiago Mazuelas and Verónica Álvarez. https://arxiv.org/pdf/2510.13445

Este trabajo introduce Robust Minimax Boosting (RMBoost), un marco de boosting que minimiza las probabilidades de error en el peor caso para lograr robustez frente a distintos tipos de ruido en las etiquetas. El artículo ofrece garantías teóricas exhaustivas sobre los métodos propuestos y demuestra empíricamente que RMBoost mantiene una alta precisión en clasificación incluso en entornos ruidosos, superando a los métodos robustos existentes.

• • “Split conformal classification with unsupervised calibration” by Santiago Mazuelas. https://arxiv.org/pdf/2510.07185

Este trabajo propone una nueva metodología de predicción conformal con calibración no supervisada, que permite realizar la calibración sin necesidad de datos adicionales etiquetados. El artículo combina muestras no etiquetadas para la calibración con el conjunto de entrenamiento original, logrando un rendimiento cercano al de la calibración supervisada, con solo pérdidas moderadas en las garantías teóricas y la eficiencia.

Es importante destacar que los cuatro artículos abordan temáticas muy diferentes, lo que pone de relieve la amplitud y profundidad de la investigación desarrollada en BCAM, así como la capacidad de sus equipos multidisciplinares para generar impacto en múltiples áreas de relevancia internacional.

Este logro sobresaliente refuerza la posición de BCAM como referente global en matemáticas aplicadas y como actor clave del ecosistema científico español, inspirando la colaboración interdisciplinar para abordar los retos científicos y tecnológicos más apremiantes de nuestro tiempo.