Modelos Causales Estructurales Relacionales
Modelos causales relacionales para IA: razonamiento sobre intervenciones y generalización a objetos no vistos. Aprende su implementación con redes neuronales.
#aprendizaje causal
SCOPE: Optimización Causal Secuencial de Intervenciones en Procesos
SCOPE: optimización causal secuencial de intervenciones en procesos. Mejora KPIs sin necesidad de simulación, superando técnicas actuales.
CausalPhys: Evaluación de razonamiento físico causal en modelos de visión-lenguaje
Nuevo benchmark CausalPhys con 3,000 preguntas evalúa razonamiento causal en VLMs. Mejora precisión e interpretabilidad con aprendizaje causal.
Representaciones causales discretas en dominios heterogéneos: enfoque bayesiano
Descubre cómo la inferencia bayesiana aprende representaciones causales discretas a partir de encuestas sociales en distintos dominios.
Trivium: arrepentimiento temporal como objetivo en controladores causales
Trivium introduce el arrepentimiento temporal como objetivo en controladores causales. Reduce errores persistentes en sistemas agénticos y LLMs. ¡Descúbrelo!
Preservando la privacidad de datos en aprendizaje causal con cifrado homomórfico completo
Descubre cómo el cifrado homomórfico completo protege la privacidad en el aprendizaje de estructuras causales. Técnicas eficientes y prácticas.
Elicitación de Preferencias Causales
Descubre cómo la elicitación causal de preferencias acelera el descubrimiento causal con consultas activas a expertos. Un enfoque bayesiano para concentrar la posterior sobre DAGs.