Prueba de mediación total e identificabilidad de mecanismos causales
Descubre cómo probar la mediación total de efectos con doble machine learning. Un test para identificar si los mecanismos causales son identificables.
#causal
ADIGen: generación contrafactual automática, debiasada e invariante
ADIGen genera contrafactuales debiasados e invariantes automáticamente. Aprende cómo su robustez doble mejora la toma de decisiones bajo intervenciones complejas.
¿De dónde surge la posición absoluta en Transformers decoder-only?
A pesar de codificar solo desplazamientos relativos, los Transformers con RoPE filtran posición absoluta. El artículo revela dos fuentes: causal mask y residual stream. Descúbrelo.
Rompiendo la cadena: fidelidad causal de LLM a estructuras intermedias
Descubre cómo los LLM son aparentemente fieles a sus estructuras intermedias, pero fallan al ser intervenidos. Análisis causal revela fragilidad.
Más allá de las medias: efectos causales con homología persistente
Descubre cómo la homología persistente revela efectos causales que las medias tradicionales ignoran. Un nuevo enfoque topológico para la inferencia causal.
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.
REGEN: Generación Sintética de Series Temporales Multivariantes Guiada por Referencias
Descubre ReGeN, un generador que crea series temporales sintéticas de alta calidad usando referencias como andamios estructurales. Ideal para datos escasos.
Inferencia entrópica para atlas causales: más allá de DAG óptimos
Descubre cómo la inferencia entrópica crea atlas de relaciones causales más allá de los DAG óptimos, revelando la ambigüedad inherente en los datos.
Partición causal preregistrada de elicitación y diseño de recompensas en RLVR
Investigación revela que el estimador ingenuo en RLVR mezcla elicitación y diseño de recompensas. Un nuevo método de partición causal permite auditar resultados.
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!
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.
Descubrimiento escalable de causalidad de anomalías en grandes sistemas
Descubre cómo AnomalyCD logra eficiencia computacional en el descubrimiento de causalidad de anomalías en grandes sistemas usando datos binarios. Mejora precisión y reduce costos.
Descubrimiento escalable de causalidad de anomalías temporales
Descubre cómo AnomalyCD logra eficiencia computacional para descubrir causalidad de anomalías temporales en grandes sistemas usando datos de alarmas binarias.
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!
Detección en Línea de Anomalías con Mezclador Causal de Clústeres
Nuevo modelo de IA detecta anomalías en tiempo real en series temporales multivariadas usando clústeres y causalidad, superando a métodos tradicionales.
Descubrimiento Causal Robusto en Series Temporales Reales con Leyes de Potencia
Descubre cómo las leyes de potencia mejoran el descubrimiento causal en series temporales reales, reduciendo ruido y obteniendo inferencias fiables.
Descubrimiento Causal Robusto en Series Temporales con Leyes de Potencia
Descubre cómo un método basado en leyes de potencia extrae señales causales reales en series temporales, superando el ruido y mejorando la precisión.
Hacia una prueba de independencia condicional escalable y válida con representaciones espectrales
Descubre cómo las representaciones espectrales mejoran la escalabilidad y validez en pruebas de independencia condicional. Un enfoque innovador con garantías teóricas.
Procesos Neuronales Transformer Incrementales
Aprende sobre incTNP: el modelo que permite actualizaciones incrementales en procesos neuronales transformer, logrando eficiencia lineal y rendimiento comparable o superior.
2-Step Agent: Marco para la interacción decisor-IA
El marco 2-Step Agent muestra que incluso con modelos perfectos, las creencias erróneas pueden hacer que el soporte de IA empeore las decisiones. ¿Cómo evitarlo?