MLE de Laplaciano (opción robusta de red neuronal JMP)Hay un documento que describe la implementación de JMP de la opción robusta para la plataforma de red neuronal Jmp ann eso señala que maximiza la probabilidad de una distribución laplaciana, que [por supuesto] es lo mismo que minimizar las desviaciones absolutas. Sin embargo, no hay un gradiente analítico en este caso (la función no es diferenciable), entonces, ¿cómo JMP ejecuta realmente la optimización en este caso? ¿Utilizan una aproximación suave a la función de valor absoluto y luego aplican un método cuasi-newton? ¿O calculan un gradiente numérico y siguen aplicando un método cuasi-newton, pero tienen especial cuidado con el cero?
