Resumen: Demostramos siete garantías formales que abarcan los deseos clave para una IA confiable: Preservación de la calibración (ECE <= épsilon + C/sqrt(K_eff)); Error de Monte Carlo que decae como O(1/sqrt(M)); un PAC-Bayes no vacío vinculado con una brecha de prueba de tren de 0,0085 en N = 4200; operación dentro de 1,12x del límite inferior de la teoría de la información; degradación elegante como O(epsilon*delta*sqrt(K)) bajo corrupción, manteniendo un rendimiento del 88% con la mitad de la evidencia reemplazada de manera adversa; Decaimiento de calibración O(1/sqrt(K)) con R^2=0,849; y descomposición exacta de la incertidumbre epistémica-aleatoria con error inferior al 0,002%. Todos los teoremas se validan empíricamente en conjuntos de datos controlados que abarcan hasta 4200 ejemplos de entrenamiento. Nuestro marco teórico establece LPF como la base para una IA confiable de evidencia múltiple en aplicaciones críticas para la seguridad.
Publicado originalmente en export.arxiv.org el 17 de marzo de 2026.
Ver fuente original
