Midiendo lo relevante: Benchmarks sintéticos para modelos de cuello de botella
Aprende cómo los benchmarks sintéticos optimizan los modelos de cuello de botella de conceptos para apoyo a la decisión y automatización.
#conjuntos
¿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.
Destilación de reglas ASP desde LLMs para VQA neurosimbolico
Aprende a destilar reglas de programación lógica desde LLMs para VQA interpretable, con solo pocos ejemplos. Alternativa eficiente al aprendizaje de reglas tradicional.
Brecha de fiabilidad en auditoría de benchmarks: cambio de distribución y escala
Descubre por qué la detección de contaminación en benchmarks de IA falla por cambio de distribución y escala. Estudio con 335 evaluaciones muestra la brecha.
Cómo probar si un conjunto de datos es demasiado influyente
¿Pocos datos sesgan tus conclusiones? Detecta influencia excesiva con tests rigurosos basados en distribuciones extremas. Aplica en economía, biología y ML.
Recocido con semilla Rashomon: inferencia bayesiana robusta
El recocido con semilla Rashomon optimiza la inferencia bayesiana en diseños factoriales, superando multimodalidad y combinando evidencia con incertidumbre.
Robustez post-hoc para aprendizaje por refuerzo basado en modelos
Mejora la robustez de agentes de RL en inferencia sin entrenar, usando control predictivo con rollouts adversariales y mitigando problemas fuera de distribución.
FlashbackCL: Mitigando el Olvido Temporal en Aprendizaje Federado
FlashbackCL reduce el olvido temporal en aprendizaje federado hasta un 68% y mejora el rendimiento en datos no estacionarios. ¡Descubre su buffer de reproducción equilibrada!
Cuantificando valores geoculturales para seguridad pluralista en IA
Conoce cómo los valores culturales impactan la seguridad de la IA. Un estudio revela que el 10% de datos pueden ser mal clasificados sin representación cultural.
Clustering Conformal Ponderado
Descubre cómo el clustering conformal ponderado ofrece intervalos de confianza válidos para asignaciones de clusters, mejorando la incertidumbre en datos no lineales y de alta dimensión.
Conjuntos de predicción calibrados por decisión en sistemas eléctricos robustos
Descubre cómo conjuntos de predicción calibrados por decisión mejoran la operación robusta de sistemas eléctricos, reduciendo costos y cumpliendo restricciones.
Compensación entre eficiencia y confianza en predicción conforme transductiva
Descubre dilema en predicción conforme transductiva: mayor confianza implica conjuntos exponencialmente grandes. Nuevo algoritmo supera métodos tradicionales.
Deja de predicar y practica la frugalidad de datos para una IA responsable
Descubre por qué la frugalidad de datos es clave para una IA responsable. Reducir el impacto ambiental y mejorar la eficiencia sin perder precisión. ¡Lee más!
¿Qué tipos de fuga importan? Panorama cuantitativo en 2,047 datasets
Descubre qué tipo de fuga de datos es más peligrosa. Un estudio masivo en 2,047 datasets revela que la fuga por selección infla los resultados hasta un 90%.
Gran Modelo Electrónico: Predictor Universal del Estado Fundamental
El Large Electron Model: red neuronal que predice el estado fundamental de electrones, generalizando a nuevos hamiltonianos y partículas. Avance para descubrimiento de materiales.
¿Quién anota en PLN? Evaluación masiva de informes de anotación humana (2018-2025)
Descubre cómo se documentan las anotaciones humanas en investigaciones de PLN entre 2018 y 2025, y qué aspectos clave suelen omitirse.
Eventos raros, señales reales: conjuntos funcionales en redes espiga
Descubre cómo los conjuntos funcionales en redes neuronales espiga revelan patrones raros pero cruciales para el procesamiento de información en IA.
De Rashomon a PRAXIS: Conjuntos Rashomon eficientes en árboles de decisión
Descubre PRAXIS, un algoritmo que calcula conjuntos Rashomon en árboles de decisión con gran eficiencia, reduciendo tiempo y memoria. ¡Aprende cómo!