Predicciones fiables con destilación mixup más allá del conocimiento oscuro
Aprende cómo combinar destilación de conocimiento y mixup para obtener predicciones fiables, mejor calibración y menor sobreconfianza en redes neuronales.
#calibración de modelos
Usando programas probabilísticos para entrenar razonamiento inductivo en LLMs
Aprende cómo un nuevo método de entrenamiento con programas probabilísticos mejora el razonamiento inductivo en LLMs, alineándolos con juicios humanos.
Evaluación de calibración de modelos con árboles de boosting
¿Tus modelos de regresión están calibrados? Descubre cómo los árboles de boosting detectan problemas de calibración y auto-calibración en datos de seguros.
Cuantificando la incertidumbre de modelos fundacionales con SVE
Descubre SVE: incertidumbre calibrada en modelos fundacionales con solo 1% de parámetros extra.
Traducción consciente de densidad de correlaciones espurias en VLMs
Descubre cómo DAT corrige correlaciones espurias en VLMs zero-shot usando densidad local para mejorar precisión sin ajuste fino.
Calibración de modelos de árbol para clasificación desbalanceada
La calibración analítica en Random Forest con submuestreo genera sesgos. Descubre por qué y aprende la beta calibración como solución.
Alineación humana, calibración y patrones en la incertidumbre de LLMs
Descubre cómo los LLMs reflejan la incertidumbre humana mediante alineación, calibración y patrones de activación. Un estudio clave para entender y combatir alucinaciones.