Aprendizaje de representaciones causales a partir de datos de red
GraCE-VAE: nuevo modelo causal que aprovecha redes biológicas para predecir intervenciones CRISPR con mayor precisión.
#causal
SAEExplainer: Interpretación SAE con optimización por activación
SAEExplainer optimiza la interpretación de características SAE usando preferencias guiadas por activación, reduciendo alucinaciones y mejorando causalidad.
Estimación colapsable de efectos causales en CPDAGs
Aprende a estimar efectos causales colapsables en CPDAGs usando strong d-convex hulls. Algoritmo eficiente, resultados empíricos y código abierto.
Razonamiento contrafáctico para la descomposición de evidencia en VideoQA
Descubre cómo el razonamiento contrafáctico mejora la precisión y fiabilidad del VideoQA al separar evidencia causal de correlaciones espurias. Ideal para sistemas de IA más confiables.
Aprendizaje por refuerzo en contexto con modelos de mundo comunicativos
CORAL: un nuevo marco para aprendizaje por refuerzo en contexto que separa representación latente y control, logrando adaptación a cero y mejora en eficiencia de muestras.
Comprendiendo el lenguaje de benchmarks con semánticas debilitadas
Descubre cómo extraer computables de benchmarks para obtener evidencia semántica inspeccionable y superar limitaciones del razonamiento textual.
Más allá de la aditividad: Modelos LSNM con variables ocultas
¿Sabías que los efectos causales pueden modular la varianza? Descubre cómo el algoritmo LSNM-UV identifica relaciones causales incluso con variables ocultas, superando modelos aditivos.
Causal Agent Replay: Atribución Contrafactual de Fallos en Agentes LLM
Descubre Causal Agent Replay, el método que identifica exactamente qué paso causó un fallo en tu agente LLM, con intervalos de confianza y código abierto.
Reenlace condicionado por recuperación en LLMs para seguimiento de entidades
Los LLMs usan circuitos de reenlace condicionado para rastrear entidades y actualizar atributos. Intervenciones causales.
BioVid: generación autorregresiva de video con comprensión de comportamiento
Aprende cómo BioVid genera videos de comportamientos biológicos con duración natural. Mejora hasta 6x frente a métodos tradicionales.
¿Cuántos contrafactuales? Sondeando alucinaciones VLM
Analiza alucinaciones VLM mediante contrafactuales y efectos causales. Descubre cuántas muestras se requieren para detectar inestabilidad.
RAG en derecho: limitaciones estructurales, temporales y causales
¿Por qué falla RAG en el ámbito legal? Conoce las limitaciones estructurales, temporales y causales y cómo evitarlas.
Construcción de grafos causales implícitos mediante descubrimiento de cadenas
Descubre cómo los LLMs construyen grafos causales implícitos desde texto con descubrimiento de cadenas y sabiduría de masas. Evaluado con 1,560 pares.
Investigación sobre desalineación antropomórfica necesita evidencia más sólida
Descubre por qué los estudios sobre desalineación antropomórfica en IA requieren mayor rigor científico para fundamentar decisiones críticas de seguridad y regulación.
Evaluación fuera de política con agentes estratégicos mediante divulgación local
Descubre cómo la divulgación local revela covariables previas a la adaptación, permitiendo evaluar políticas sin interacciones repetidas.
Algoritmos interpretables descompilando Transformers a RASP
Descubre cómo descompilar Transformers a RASP revela algoritmos interpretables. Un método innovador para entender la generalización de longitud en IA.
TRUE: Marco confiable unificado para explicar el razonamiento de LLM
Descubre TRUE: un marco que unifica verificación ejecutable, diagramas DAG de regiones factibles y análisis causal de fallos para hacer el razonamiento de los LLM más interpretable y confiable.
Trio: Pronóstico de series temporales con atención y prioridades causales
Descubre Trio, un innovador modelo que combina atención temporal-espacial-muestral y prioridades causales para mejorar la precisión en el pronóstico de series temporales multivariables.
Trio: Predicción de series temporales con atención espacio-temporal y priors causales
Trio: nuevo modelo de IA para pronósticos de series temporales con atención triple y causalidad estructural. Mejora precisión en predicciones multivariadas.
Estimación robusta de heterogeneidad con particiones Rashomon
Las particiones Rashomon estiman heterogeneidad en datos factoriales sin sesgos ni sobreajuste. Un enfoque bayesiano innovador para modelos inciertos.