Agente Ensemble Causal: Descubrimiento Causal Jerárquico con LLM
El Agente Ensemble Causal (CEA) usa LLM para re-ponderar expertos en descubrimiento causal, mejorando la precisión de los gráficos causales. ¡Descúbrelo!
#automático
Equidad Lipschitz confiable en aprendizaje multitarea con alineación delta fijo
Descubre cómo ReLiF aplica una auditoría con delta fijo para evaluar la equidad Lipschitz en aprendizaje multitarea, revelando compensaciones reales entre utilidad y sesgo.
UniDexTok: Tokenizador unificado de manos diestras desde datos reales
Descubre UniDexTok, el tokenizador que unifica manos diestras humanas y robóticas con precisión submilimétrica, reduciendo errores en un 99%.
Muestreador Adaptativo con Descuento por Atención para Difusión Enmascarada
ADAS introduce un descuento por atención en el muestreo paralelo, mejorando la calidad de modelos de difusión enmascarada sin entrenamiento adicional. Aumenta precisión en benchmarks hasta 10 puntos.
¿Qué escuchan realmente los detectores de deepfake?
¿Qué pistas usan los detectores de deepfake de voz? Descubre cómo analizan ambiente, fonemas y bordes de palabras para detectar audios falsos. Explicabilidad con IA.
Recuperables pero no estacionarias: estructuras lineales locales
Estructuras lineales locales en pesos y activaciones son recuperables pero evolucionan rápido, desafiando direcciones de tarea fijas. Estudio con GPT-2 y LoRA.
Explicabilidad generativa para redes de próxima generación
Mejora la transparencia de la IA en redes con un novedoso marco de explicabilidad generativa que combina LLM y SHAP, logrando un 97.5% de corrección y mayor utilidad.
AuRA: internalizando audio en LLMs mediante LoRA
Descubre cómo AuRA internaliza la comprensión del audio en LLMs mediante LoRA, superando a sistemas en cascada con mayor eficiencia y precisión.
Campos Asociativos Causales Paralelos: Memoria Dispersa para Contexto Largo
Descubre cómo PCAF revoluciona el modelado de lenguaje con memoria dispersa paralela, logrando mayor velocidad y eficiencia que transformers tradicionales. ¡Lee más!
Pronóstico grupal Dirichlet para evitar suavizado excesivo en series temporales
El método DGF elimina el suavizado excesivo en pronósticos de series temporales, preservando cambios bruscos y modos dinámicos. Mejora precisión y consistencia.
Pronóstico grupal Dirichlet reduce suavizado excesivo en series temporales
Descubre cómo Dirichlet-Guided Group Forecasting reduce el sobre-suavizado en series temporales, mejorando precisión y diversidad en predicciones multimodales.
PhysMetrics.Weather: Evaluación de consistencia física en ML meteorológico
Descubre PhysMetrics.Weather, el marco que evalúa la consistencia física de modelos meteorológicos de IA más allá del RMSE. Mejora la fiabilidad operativa.
Predicción de series temporales con aprendizaje multi-escala de residuos
Nuevo pipeline de dos etapas corrige residuos en predicción de series temporales. Mejora la precisión con aprendizaje multi-escala. ¡Resultados de vanguardia!
Predicción series temporales con aprendizaje de residuos multiescala
Aprende cómo un pipeline de dos etapas con aprendizaje de residuos mejora la predicción de series temporales, reduciendo sesgos. ¡Resultados de vanguardia!
PL-KKT-hPINN: Restricciones no lineales en redes neuronales con proyección lineal por partes
PL-KKT-hPINN impone restricciones no lineales estrictas en redes neuronales. Mejora precisión y robustez en simulaciones reactor químico con datos. Supera PINN.
PL-KKT-hPINN: Proyección lineal para restricciones no lineales en redes neuronales
PL-KKT-hPINN impone restricciones no lineales en redes neuronales con alta precisión y baja violación. Ideal para modelado de reactores.
De la observación a la intervención: Auditoría causal en modelos MoE
Un estudio revela que las métricas observacionales no predicen la importancia causal de los expertos en modelos MoE. El éxito del pruning se debe a la redundancia temprana. Descubre los hallazgos.
De la observación a la intervención: auditoría causal de expertos en MoE
Auditoría causal revela: las métricas observacionales no predicen importancia de expertos en MoE. La poda funciona por redundancia temprana.
SPACR: Entrenamiento adaptativo de un solo paso para regresores conformales
SPACR: entrena regresores conformales en un solo paso, obteniendo intervalos más estrechos y mejor equilibrio cobertura-eficiencia con menor costo.
SPACR: Entrenamiento Adaptativo de Regresores Conformes
Descubre SPACR, un método innovador que entrena regresores conformes en un solo paso, logrando intervalos más precisos y reduciendo costos computacionales. Ideal para IA.