Decisiones aversas al riesgo con garantía condicional a la acción
Descubre el nuevo método de predicción conforme que ofrece garantías condicionales a la acción para decisiones aversas al riesgo. Mejora la seguridad en IA.
#aprendizaje automático
BloomBench: Benchmark bilingüe multimodal para evaluación cognitiva de VLMs
Descubre BloomBench, benchmark bilingüe (árabe-inglés) que evalúa la capacidad cognitiva de modelos visión-lenguaje. Revela brechas en memoria y creatividad.
Toma de decisiones adversa al riesgo con garantía condicional a la acción
Nuevo método de predicción conforme condicional a la acción para decisiones adversas al riesgo con garantías explícitas. Mejora sobre enfoques anteriores.
Corrige la mente, no la acción: IA interpretable
Descubre SENSEI, IA interpretable que localiza y corrige conceptos erróneos para mejorar el rendimiento a largo plazo. ¡Corrige la mente!
Predicción de eventos extremos con proyecciones balanceadas en sensibilidad
Método innovador revela causas ocultas de eventos extremos y permite predecirlos y controlarlos. Ideal para terremotos, tsunamis y tormentas solares.
Corrige la mente, no el movimiento: Asistencia IA interpretable localiza brechas
SENSEI: Asistencia IA que localiza y corrige tus conceptos erróneos, no solo tus acciones. Mejora tu rendimiento a largo plazo. 90% de éxito.
CASS-RTL: Dirección consciente de corrección para generación RTL con LLMs
CASS-RTL: un marco innovador que guía a los LLMs para generar código RTL más preciso, mejorando la exactitud funcional hasta un 20% sin reentrenamiento.
ViCuR: Destilación multimodal on-policy con señales visuales recuperables
ViCuR mejora el razonamiento visual en destilación multimodal on-policy usando señales visuales recuperables, superando métodos en +1.19%.
Demostración automatizada de desigualdades de entropía tipo Shannon con IA
Descubre cómo modelos de lenguaje ajustados con búsqueda en árbol demuestran desigualdades de Shannon con un 85% de éxito.
Cómo la IA y la búsqueda en árbol prueban desigualdades de entropía Shannon
Logra un 85% de éxito en la demostración automática de desigualdades de entropía Shannon con modelos ajustados y búsqueda en árbol.
DRIFT: Adaptador de flujo residual para salidas continuas en modelos de lenguaje visual
Descubre cómo DRIFT adapta modelos de visión-lenguaje para generar salidas continuas con precisión, mejorando tareas como grounding visual y control robótico.
Modelado generativo espacial de programas transcriptómicos en neurodegeneración
Descubre como un modelo de IA generativa espacial predice la vulnerabilidad cerebral en Alzheimer con un 86% de precisión. Revolución en neurociencia.
EML-CD: Árboles simbólicos para recuperar mecanismos causales
EML-CD recupera mecanismos causales como ecuaciones cerradas usando árboles simbólicos EML. Supera a métodos tradicionales en precisión e interpretabilidad. ¡Descúbrelo!
Aprendizaje de operadores solución de EDP con aproximación dispersa
Descubre cómo los métodos de aproximación dispersa reducen muestras para operadores de EDP, mejorando eficiencia e interpretabilidad
Pruebas metamórficas con Rashomon: fidelidad en explicaciones de ML
Evalúa la fidelidad de explicaciones en machine learning con pruebas metamórficas y el conjunto Rashomon. Sin etiquetas reales, selecciona modelos confiables.
Bifiltraciones p-ádicas para aprendizaje topológico en genómica
Descubre pVR, un marco de ML topológico que combina números p-ádicos y TDA para clasificar secuencias genómicas sin alineamiento. Supera a métodos clásicos y embeddings de transformers.
Reparto de Riesgo Conformal: Asignación de Costos Certificada con Garantías
El reparto de riesgo conformal asigna costos con garantías certificadas. Descubre cómo protege a cada participante ante eventos adversos raros.
Descubrimiento no supervisado de habilidades para agente de análisis de datos
DataCOPE descubre habilidades sin supervisión para agentes de análisis de datos, mejorando su rendimiento en informes un 9.7% y en razonamiento un 32.3%.
¿Qué tan abundantes son los buenos interpoladores?
Descubre cómo la mayoría de los interpoladores lineales tienen un rendimiento similar, y por qué algunos métodos superan al resto en inteligencia artificial.
Mixer causal con clústeres para detección online de anomalías
Descubre cómo un innovador mezclador causal con clústeres mejora la detección de anomalías en tiempo real en series temporales multivariadas. ¡Más precisión y menos falsos positivos!