Aprendizaje multimodal y programación genética: alineación en espacio latente
Un estudio analiza la alineación multimodal en SNIP para regresión simbólica. Descubre por qué no mejora durante la optimización y qué implica para el futuro.
#alineación
Desaprendizaje automático multiobjetivo alineado con referencia
RAUL: un marco multiobjetivo que elimina datos de entrenamiento sin perder precisión. Optimiza olvido y retención con alineación de referencia.
Protocolo BFT para deliberación colaborativa emergente en sistemas multi-IA
El Protocolo Consilium usa BFT para deliberación multi-IA: las personas cognitivas importan más que el modelo. Sesgos RLHF revelados. Costo: $217.
Riesgo de vinculación cruzada en modelos clínicos de visión-lenguaje
Los modelos de IA clínica pueden reidentificar pacientes al vincular radiografías con informes. Descubre cómo la privacidad diferencial reduce este riesgo.
Perturbaciones adversarias en aprendizaje continuo: defensa a alineación activa
Descubre cómo AdvCL reutiliza perturbaciones adversarias para estabilizar el aprendizaje continuo en LLMs, mejorando robustez y transferencia sin olvido.
Mitigando el sesgo perceptual en LLMs multimodales como jueces
Descubre cómo un nuevo método de perturbación perceptual y modelado de recompensa corrige el sesgo en evaluaciones de LLMs multimodales. Más preciso y alineado con humanos.
EMoE: desacuerdo de expertos sin entrenamiento para difusión texto-imagen
Predice la calidad de tus prompts con EMoE: incertidumbre sin entrenamiento en difusión texto-imagen.
De señales 'débiles' a modelos fuertes: Agregación de deltas con LoRA
Agrega señales débiles de pares de modelos para mejorar LLMs potentes con fusión LoRA y alineación geométrica. Mejora razonamiento y búsqueda.
El conjunto de datos defectuoso detrás de la ética de la IA moderna
Descubre cómo el conjunto de datos defectuoso de la ética provoca fallos en la IA y por qué necesitamos un nuevo modelo axiomático aditivo.
Agregación de Deltas de Preferencia: de señales débiles a modelos fuertes
Aprende cómo el método PDA agrega señales débiles con fusión LoRA para mejorar LLMs en razonamiento y búsqueda.
Críticas débiles hacen aprendices fuertes: destilación on-policy para supervisión escalable
Descubre cómo las críticas de modelos débiles pueden potenciar modelos de lenguaje fuertes mediante destilación on-policy, mejorando razonamiento y alineación para supervisión escalable.
Alineación de Valor Esperado para Verificación Formal en Matemáticas
EVA: nueva técnica de alineación de valor esperado que permite recompensas continuas en verificación formal de matemáticas con Lean 4. Mejora la evaluación de pasos intermedios.
ANDES: Síntesis Evolutiva de Datos para Agentes Autónomos
Descubre cómo ANDES, una herramienta de síntesis evolutiva de datos, permite a agentes IA alinear instrucciones de forma autónoma y mejorar el rendimiento en post-entrenamiento.
Valencia compartida en LLMs y EEG humano: regularidad de saturación
LLMs y EEG comparten un eje de valencia. La saturación limita la supervisión. Descubre cómo un ensamble mejoró un 10.5% la precisión en FACED.
DiffCrossGait: Alineación Trayectorial para Reconocimiento de Marcha 2D-3D
DiffCrossGait: alineación de trayectorias para reconocimiento de marcha 2D-3D con difusión latente. Logra rendimiento puntero sin sobrecarga de inferencia.
UF-AMA: marco unificado para reconocimiento multimodal de emociones
Descubre UF-AMA, un marco unificado que integra EEG y eye-tracking para reconocer emociones a través de sujetos y sesiones, logrando rendimiento SOTA.
Evaluación alineada temporalmente para generación de talking heads
Descubre cómo la alineación temporal mejora la evaluación de generación de talking heads, ofreciendo métricas más robustas y justas para comparar modelos.
Exploración eficiente para optimización iterativa de preferencias Nash
La exploración explícita clave para optimizar preferencias Nash en modelos de lenguaje: nuevo algoritmo logra mejor equilibrio y menor arrepentimiento.
Rompiendo silos de información con personas semánticas
Descubre SPHERE: personas semánticas para recomendación cross-dominio. Rompe silos de información sin usuarios compartidos. Mejora tu sistema.
Aislando el sesgo léxico en LLM: métrica triangulada sin curación
Aprende sobre la métrica Triangulated Preference Shift que aísla sesgos léxicos inducidos por RLHF sin curación manual. Ideal para desarrollo de IA confiable.