BCAMek aparteko arrakasta lortu du NeurIPS 2025eko biltzarrean onartutako lau artikulurekin

• NeurIPS munduko biltzar nagusia da adimen artifizialaren, ikaskuntza automatikoaren eta zientzia konputazionalen esparruan. NeurIPS biltzarrean artikuluak onartzea oso prozesu lehiakorra da; izan ere, bidalitako lanen zati txiki bat baino ez da hautatzen, parekoen arteko berrikuspen-prozesu zorrotz baten ondoren.
• Aurtengo arrakastak BCAMen jarduera zientifikoaren sendotasuna eta aniztasuna islatzen ditu, fluidoen dinamikatik hasi eta ikaskuntza automatikoko azken aurrerapenetaraino iristen diren ekarpenekin.
• Basque Center for Applied Mathematics – BCAMek harrotasunez iragarri du bere ikerketa-taldeen lau artikulu onartu dituztela Conference on Neural Information Processing Systems (NeurIPS) 2025 biltzar prestigiotsuan. Lorpen azpimarragarria da hau, BCAMek matematika eta ikaskuntza automatikoko ikerketaren abangoardian duen nazioarteko presentzia indartzen duena.

NeurIPS mundu mailako erreferentziazko biltzarra da adimen artifizialean, ikaskuntza automatikoan eta zientzia konputazionaletan. Hautaketa-prozesua izugarri zorrotza da, eta bidalitako proposamen gutxi batzuk baino ez dira onartzen ebaluazio sakon baten ostean. Izan ere, urtero Espainiako erakundeetatik bidalitako artikulu kopuru oso txiki batek lortzen du onarpena. Horregatik, BCAMek edizio bakar batean onartutako lau artikulu lortu izana mugarri aparta da, zentroaren nazioarteko eragina zein estatu mailako lidergoa agerian uzten dituena.

Aurtengo arrakastak BCAMen garatutako ikerketaren zabaltasuna eta sendotasuna islatzen ditu, fluidoen dinamikatik hasi eta ikaskuntza automatikoko aurrerapen berritzaileenetaraino:

Computational Fluid Dynamics taldearen artikulua

“PINN Balls: Scaling Second-Order Methods for PINNs with Domain Decomposition and Adaptive Sampling” (Egileak: Andrea Bonfanti, Ismael Medina, Roman List, Björn Staeves, Roberto Santana eta Marco Ellero). https://arxiv.org/pdf/2510.21262

Lan honek PINN Balls aurkezten du, Fisikan Informatutako Sare Neuronalen (PINNs) esparru eskalagarri bat. Mixture of Experts arkitektura lokala erabiltzen du, deribatu partzialetako ekuazioak (PDEs) ebazteko bigarren ordenako optimizazio eraginkorra ahalbidetuz. Domeinu-deskonposiziorako laginketa egokitzaile adbertsarioa integratuz, metodoak abangoardiako zehaztasuna eta eskalagarritasuna lortzen ditu, oinarri teoriko sendo bati eutsiz.

Machine Learning taldearen artikuluak:

• “On the Optimality of the Median-of-Means Estimator under Adversarial Contamination” (Egileak: Xabier de Juan eta Santiago Mazuelas). https://arxiv.org/pdf/2510.07867 Lan honek Median-of-Means (MoM) estimatzailea aztertzen du datuen kutsadura adbertsarioaren pean, haren estimazio-errorerako goiko eta beheko muga berriak ezarriz banaketa-mota ezberdinetan. Artikuluak frogatzen du MoM-k minimax zentzuan optimoa izaten jarraitzen duela bariantza finituko banaketetarako eta isats astuneko kasu batzuetarako, baina suboptimal bihurtzen dela isats arineko banaketetan, testuinguru gaussiarretik harago dituen muga teorikoak argituz.

• “Robust Minimax Boosting with Performance Guarantees” (Egileak: Santiago Mazuelas eta Verónica Álvarez). https://arxiv.org/pdf/2510.13445 Lan honek Robust Minimax Boosting (RMBoost) aurkezten du, etiketen zarata mota ezberdinen aurrean sendotasuna lortzeko asmoz okerreko kasuetan errore-probabilitateak minimizatzen dituen boosting esparru bat. Artikuluak proposatutako metodoei buruzko berme teoriko sakonak eskaintzen ditu eta enpirikoki frogatzen du RMBoost-ek sailkapen-zehaztasun handia mantentzen duela ingurune zaratatsuetan, lehendik zeuden metodo sendoak gaindituz.

• “Split conformal classification with unsupervised calibration” (Egileak: Santiago Mazuelas). https://arxiv.org/pdf/2510.07185 Lan honek gainbegiratu gabeko kalibrazioko iragarpen konformeko metodologia berri bat proposatzen du, kalibrazioa etiketatutako datu gehigarririk gabe egitea ahalbidetzen duena. Artikuluak etiketatu gabeko laginak eta jatorrizko entrenamendu-multzoa konbinatzen ditu kalibraziorako; horrela, gainbegiratutako kalibraziotik hurbil dagoen errendimendua lortzen da, berme teorikoetan eta eraginkortasunean galera moderatuekin soilik.

• Azpimarratzekoa da lau artikuluek oso gai ezberdinak jorratzen dituztela, eta horrek agerian uzten du BCAMen garatutako ikerketaren zabaltasuna eta sakontasuna, baita diziplina anitzeko taldeek nazioarteko garrantzia duten eremu ugaritan eragina sortzeko duten gaitasuna ere.

  Lorpen bikain honek BCAMen posizioa indartzen du matematika aplikatuetan mundu mailako erreferente gisa eta Espainiako ekosistema zientifikoko funtsezko eragile gisa, gure garaiko erronka zientifiko eta teknologiko premiazkoenei aurre egiteko diziplinarteko lankidetza sustatuz.