Localidad no implica accesibilidad: reparación de bordes en atención causal
Descubre cómo la atención causal dispersa por bloques puede desconectar tokens adyacentes y cómo reparar los bordes con una solución eficiente.
#causal
Regret Pre-training: Uniendo conocimiento previo y futuro
Regret Pre-training: nuevo método que usa información futura para mejorar modelos de lenguaje. Logra un 33.9% de precisión en 9 tareas. ¡Sin parámetros extra!
Modelos físicamente viables para IA encarnada condicionada por consultas
Descubre por qué los modelos del mundo pueden fallar en IA encarnada y cómo construir modelos físicamente viables para consultas de intervención.
Evaluación Causal de Ataques de Inferencia de Membresía
Descubre un nuevo enfoque causal para evaluar ataques de inferencia de membresía sin reentrenar, reduciendo sesgos. ¡Ideal para LLMs!
Modelos de Lenguaje Esotéricos: LLMs de Difusión de Cualquier Orden
Eso-LMs: modelos de lenguaje que combinan AR y MDM con atención causal y caché KV, permitiendo generación paralela e inferencia eficiente. Nuevo estado del arte.
Gradientes estocásticos bajo parámetros nuisance
Cómo los gradientes estocásticos convergen con parámetros nuisance. Ortogonalidad de Neyman y actualizaciones ortogonalizadas para optimización robusta.
Aprendizaje espectral consciente del resultado para regresión IV
Descubre cómo el aprendizaje espectral consciente del resultado mejora la regresión IV incluso con desalineación espectral.
Vectores funcionales multimodales para relaciones visuales
Descubre cómo los vectores de función multimodal permiten extraer y optimizar relaciones visuales en modelos de IA, mejorando el razonamiento sin necesidad de reentrenar.
Percepción primero: modelo nativo de video para QA implícito
Descubre por qué la percepción visual supera al razonamiento en preguntas de video. Análisis del modelo Perception First para el desafío VRR 2026.
Riesgo contrafactual escalable para eventos raros en datos longitudinales
Nuevo método de submuestreo y reponderación reduce coste computacional en estimación de riesgo contrafactual para eventos raros en datos longitudinales.
Aprendizaje Equivariante con Desenredo para VQA Compositivo
El nuevo marco DEAL mejora la respuesta visual a preguntas compositivas usando desenredo causal y equivarianza. Resultados superiores en CLEVR y GQA.
CORE-MTL: Repensando el equilibrio de gradientes con representaciones causales ortogonales
Descubre CORE-MTL, el nuevo enfoque de representaciones causales ortogonales que mejora la generalización en aprendizaje multitarea, reduce interferencias y supera métodos existentes.
Identificabilidad en Modelos de Markov con Efectos Instantáneos
Descubre cómo identificar regímenes latentes y estructuras causales en series temporales no estacionarias con modelos de Markov y efectos instantáneos.
Procesos Intervencionales para la Cuantificación de Incertidumbre Causal
Descubre cómo cuantificar la incertidumbre en efectos causales usando procesos gaussianos. Método con momentos posteriores cerrados y calibración práctica.
Optimización conjunta de CTR sin sesgo y uplift para cupones
Optimiza el CTR sin sesgo y el uplift con UniMVT, un marco causal unificado para marketing de cupones. Mejora la precisión y las métricas de negocio.
MACCA: Aprendizaje por Refuerzo Multiagente Offline con Asignación Causal
Descubre MACCA, un nuevo marco de MARL offline que asigna crédito causal de forma precisa. Mejora el rendimiento en entornos sin interacción.
Aprendizaje de bandidos robustos con mecanismos causales inciertos
Descubre cómo evaluar y aprender políticas de bandidos robustas frente a mecanismos causales inciertos usando modelos SEM. Optimiza tus decisiones con IA.
Inferencia causal con PFN: consistencia frecuentista
¿Las PFN para inferencia causal son consistentes? Descubre cómo la calibración OSPC elimina el sesgo y logra estimaciones frecuentistas del ATE.
Recuperación de relaciones causales a partir de expresión génica masiva
Descubre por qué recuperar relaciones causales de expresión génica masiva requiere linealidad. Datos reales no cumplen esta condición.
CausalNeg: Cómo Superar los Negativos Duros en Recuperación
CausalNeg cierra la brecha generativa-discriminativa en síntesis de negativos para recuperación. Evita falsos positivos y mejora el rendimiento con IA.