Agregación justa óptima de etiquetas ruidosas mediante paridad demográfica
Descubre cómo lograr una agregación justa de etiquetas ruidosas en crowdsourcing usando restricciones de paridad demográfica. Teoría, algoritmos y experimentos.
#agregación
Aprendizaje federado escalable con privacidad diferencial y agregación segura
Aprende cómo DDP-SA combina privacidad diferencial y agregación segura para un aprendizaje federado escalable y privado con mayor precisión.
Gestión del desacuerdo entre anotadores en detección de odio
El desacuerdo entre anotadores no es ruido, es señal. Descubre cómo usarlo para mejorar la detección de odio en redes sociales.
Correcto se ve mejor: comparaciones por pares muestran rankings precisos
Las comparaciones por pares con Elo generan rankings de precisión casi perfectos en modelos de IA, minimizando sesgos de estilo y juez. ¡Descúbrelo!
Cómo el Contexto Afecta el Alineamiento de Valores
¿Cómo afecta el contexto a la incertidumbre moral en IA? Revelamos la paradoja de Simpson en la agregación de evaluaciones y la violación del principio de Pareto débil. Implicaciones clave.
AdaJudge: Modelado de Recompensas Adaptativo Multi-Perspectiva
Descubre AdaJudge: mejora la discriminación fina y la agregación adaptativa para modelar recompensas en LLMs, superando modelos tradicionales.
TRACE: Agregación Adaptativa de Evidencia entre Pasos para Agentes LLM
Descubre cómo TRACE detecta objetivos maliciosos ocultos en agentes LLM conectando evidencia entre acciones distantes. Aumenta la seguridad con F1 de 0.713 y recall de 0.844.
HyperLoRA: Amortizando la adaptación federada de modelos fundacionales
HyperLoRA elimina sesgos de agregación y retrasos en inicialización, logrando convergencia más rápida y personalización robusta en modelos fundacionales.
Agregación de verificadores débiles de LLM para diseño espacial
Agrega verificadores débiles de LLM para mejorar diseño espacial. Incrementa F1 hasta 7x y calidad en 66% según evaluadores humanos.
Control de FDR con knockoffs en redes neuronales profundas
Descubre cómo los métodos knockoff controlan la tasa de falsos descubrimientos en redes profundas, simplificando modelos sin perder precisión.
Codificadores Visuales con Estado para Modelos de Visión-Lenguaje
Codificadores visuales con estado mejoran la comparación entre imágenes en modelos de visión-lenguaje, superando a especialistas en radiología y teledetección.
Las características de agregación fija pueden rivalizar con las GNN
Las FAFs convierten el aprendizaje en grafos en problemas tabulares, rivalizando con las GNNs sin entrenamiento. Mayor interpretabilidad.
Cómputo de inferencia calibrado por distribución para LLM como juez
Descubre cómo el cómputo de inferencia calibrado por distribución mejora la fiabilidad de LLM como juez, reduciendo errores y superando métodos tradicionales de votación.
MOSAIC: Programación eficiente con agregación adaptativa y concurrencia
Descubre cómo MOSAIC acelera hasta 2.5x la etapa experta y 4.23x la agregación en sistemas MoA, con precisión similar. Optimiza tu inferencia en GPUs.
MOSAIC: Planificación eficiente de MoA con agregación adaptativa
Descubre cómo MOSAIC acelera hasta 2.5x los sistemas MoA en GPU, optimizando la carga de trabajo y manteniendo la precisión. Ideal para desarrolladores de IA.
FGRPO: Aprendizaje Federado con Agregación Adaptativa en Datos No IID
FGRPO: fine-tuning privado de modelos de lenguaje con agregación adaptativa en datos no IID. Mejora el razonamiento sin exponer datos.
FGRPO: Federated GRPO con Agregación Adaptativa en Datos No IID
FGRPO optimiza modelos de razonamiento con agregación adaptativa en datos no IID, preservando privacidad.
GEAR: Mitigando la propagación de crédito falso en RL con rubricas
GEAR mitiga la propagación de crédito falso en RL con rubricas, logrando mejoras del 15.5% y reduciendo errores un 96.5%. Conoce cómo.
Mitigación del Crédito Falso en RL con Rúbricas
GEAR soluciona la propagación de crédito falso en RL con rúbricas mediante agregación gráfica probabilística. Logra mejoras de hasta 15.5% en HealthBench, WritingBench y PLawBench.
Echelon: Agregados auditables para adaptación de modelos entre fronteras
Descubre cómo Echelon permite adaptar modelos de lenguaje entre organizaciones sin exponer datos, usando solo agregados auditables.