Estimación semiparamétrica eficiente con modelos de caja negra
Descubre cómo eliminar sesgos en modelos de caja negra para una estimación semiparamétrica más precisa. Nuevo método que supera al Double Machine Learning clásico.
#causal
La selectividad de patrones no es causalidad en LLMs
¿Los patrones selectivos indican causalidad? Este estudio mecanicista entre modelos de 1B revela que no. Compara Pythia, OLMo y OLMoE en tareas compuestas.
Límites de precisión de árboles causales para efectos individualizados
Exploramos los límites de precisión de los árboles causales para efectos de tratamiento individualizados. ¿Por qué pueden converger lentamente y qué significa para la inferencia causal?
CausalPOI: Predicción de Check-in en POI con Arranque en Frío
Descubre cómo CausalPOI predice check-ins en nuevos POI usando grafos espacio-temporales y modelado causal. Mejora la planificación urbana con IA.
StableRCA: Análisis Robusto de Causa Raíz a Nivel de Mecanismo
StableRCA identifica las causas raíz de anomalías sin un grafo causal completo, con robustez y escalabilidad. Ideal para manufactura, nube y salud.
Modelado causal de la selección evolutiva
Aprende a distinguir selección estática y evolutiva en datos. Un nuevo modelo causal revela mecanismos evolutivos en múltiples entornos.
Benchmarking de predicción contrafactual en epidemias con intervenciones variables
Descubre cómo evaluamos la predicción contrafactual en epidemias con intervenciones variables. Un benchmark realista basado en datos de EE.UU. para mejorar la inferencia causal.
Predicción contrafactual con redes causales ajustadas por prior
Descubre CausalLongPFN, un modelo preentrenado con datos sintéticos que predice resultados contrafactuales en secuencias temporales sin necesidad de reentrenamiento. Competitivo en benchmarks reales.
Explicabilidad de LLM mediante Cadenas Contrafactuales y Grafos Causales
Descubre cómo los grafos causales y las cadenas contrafactuales revelan el razonamiento interno de los LLM, mejorando la transparencia y la interpretabilidad en tareas de clasificación.
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!
Razonamiento vs fluidez: Confianza probabilística en Best-of-N
¿La confianza probabilística mide razonamiento o solo fluidez? Descubre cómo la causalidad contrastiva mejora la selección de outputs en modelos de lenguaje.
¿Razonamiento o fluidez? Confianza en selección Best-of-N
¿Tu IA realmente razona o solo parece fluida? Descubre cómo las métricas de confianza probabilística fallan y la nueva métrica de causalidad que mejora la selección.
Horizonte de Responsabilidad: Teorema de Imposibilidad para Colectivos IA
La gobernanza de la IA tiene un límite matemático: la responsabilidad es imposible más allá del Horizonte. Un teorema para la ética de sistemas autónomos.
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.
Aprendizaje por refuerzo superior con interacción humano-IA
Descubre cómo la interacción humano-IA crea una super-política que supera al aprendizaje por refuerzo tradicional, incluso con confusión.
Aprendiz Ortogonal para Estimar Efectos de Tratamiento a Largo Plazo
Descubre el nuevo LT-O-learner: un método ortogonal robusto para estimar efectos de tratamiento a largo plazo incluso con baja superposición. Ideal para marketing y medicina.
Prueba de Independencia Conjunta con Privacidad Diferencial
Descubre cómo un nuevo test de independencia conjunta basado en dHSIC preserva la privacidad de los datos con potencia óptima. Un avance en estadística diferencialmente privada.
Modelos sustitutos causales multi-fidelidad para implosiones ICF
Descubre cómo los modelos sustitutos causales multi-fidelidad y el machine learning optimizan diseños en fusión por confinamiento inercial, acelerando descubrimientos y diagnósticos.
Inferencia Aumentada Generativa: análisis causal combinando IA y humanos
Aprende cómo Generative Augmented Inference (GAI) combina datos de IA y humanos para una inferencia causal más precisa, reduciendo errores y mejorando intervalos de confianza.
Reconciliando causalidad y termodinámica con modelos causales hamiltonianos
Nuevos modelos causales hamiltonianos reconcilian causalidad y termodinámica de no equilibrio. Aprende cómo miden la irreversibilidad en sistemas físicos.