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!
#causales
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.
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?
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.
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 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.
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.
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.
¿Los datasets reales contienen experimentos naturales?
Descubre cómo los conjuntos de datos reales pueden contener experimentos naturales y cómo la inferencia causal mejora el rendimiento de los modelos. Un estudio empírico.
Desvelando la estructura del razonamiento Do-Cálculo mediante gráficos de derivación
Descubre cómo los gráficos de derivación simplifican el razonamiento del Do-Cálculo, permitiendo obtener estimadores más eficientes para la inferencia causal. ¡Lee más!
Tu modelo autorregresivo ya revela el grafo causal
Descubre cómo TRACE utiliza modelos autorregresivos para revelar el grafo causal a partir de secuencias de eventos, superando métodos tradicionales en escalabilidad y precisión.
Estimación bidireccional de efectos causales con kernel online
Nuevo método de kernel online para estimar efectos causales bidireccionales con alta precisión y escalabilidad. Ideal para datos masivos en ciencia, negocios y políticas.
LiveBand: Acompañamiento musical generado en tiempo real
Descubre LiveBand: IA que genera acompañamiento musical en vivo con alta fidelidad, sin anticipación. Mejora ritmo y calidad. ¡Pruébalo!
Elicitación de Preferencias Causales
Descubre cómo la elicitación causal de preferencias acelera el descubrimiento causal con consultas activas a expertos. Un enfoque bayesiano para concentrar la posterior sobre DAGs.
Circuitos Probabilísticos Neuronales Causales
CNPC combina redes neuronales con circuitos causales para intervenciones precisas, mejorando la exactitud en modelos de caja de conceptos. ¡Resultados superiores!
Reducir correlaciones espurias con de-sesgo guiado por memorización
Reduce correlaciones espurias con un método de dos etapas basado en memorización. Solo 10% de datos, un modelo ERM supera a técnicas de debiasing ¡Descúbrelo!
Aprendizaje de Estructuras Causales Temporales vía Optimización Diferenciable
Nuevo método de optimización diferenciable descubre causas en series temporales, eliminando restricciones acíclicas.