Estimación de incertidumbre con distribuciones de varianza controlada
Nueva técnica para cuantificar la incertidumbre en redes neuronales usando la varianza de las predicciones. Ideal para aplicaciones críticas.
#cuantificación
Defensa generalizada contra ataques a parámetros en DNN
Descubre ParDef, una defensa generalizada que protege redes profundas contra ataques a parámetros dispersos, continuos y estructurados sin perder rendimiento.
Calibración con Flow Matching para Inferencia Basada en Simulación
¿Modelos incorrectos en inferencia basada en simulación? FMCPE usa flow matching para corregir estimaciones con datos de calibración. Mejora tu precisión.
Cuantificación multi-dominio y cola larga: alineación y escalado
Descubre EmaQ y EmaQ-LT: cuantificación precisa para redes neuronales con dominios múltiples y desbalance, mejorando la eficiencia en dispositivos limitados.
STaR-Quant: Cuantificación post-entrenamiento para modelos de lenguaje difusos
STaR-Quant mejora la cuantificación de baja precisión en DLLMs, logrando 1.69x aceleración y 3.14x ahorro de memoria sobre FP16. Descubre cómo optimizar tu modelo.
Incertidumbre post hoc a nivel de instancia en detección de objetos
MC-GLM cuantifica incertidumbre post hoc a nivel de instancia en detección de objetos para conducción autónoma. Sin reentrenamiento, eficiente y paralelizable.
Flow Learners para PDEs: hacia un paradigma física-a-física
Los Flow Learners alinean dinámica continua con IA para transformar la simulación de PDEs y cuantificar incertidumbre.
Autoevaluación Agrupada: Método Simple para Incertidumbre en LLMs
Aprende cómo la autoevaluación por clusters permite a los LLMs medir su incertidumbre con solo dos muestras, mejorando la confiabilidad de sus respuestas.
ReaLM: Cuantificación Residual para Unir Grafos de Conocimiento y LLMs
Descubre cómo ReaLM usa cuantificación residual para alinear embeddings de grafos de conocimiento con LLMs, logrando rendimiento estado del arte.
SeSE: Cuantificación de incertidumbre en LLMs basada en teoría estructural
Aprende cómo SeSE cuantifica la incertidumbre en LLMs usando teoría estructural para evitar alucinaciones. Mejora la fiabilidad de tus modelos.
Qift: Cuantificación W2 sin cero para inferencia de LLM rotados
Descubre Qift: un método de cuantificación sin cero para pesos de 2 bits que mejora la precisión y eficiencia en inferencia de LLM rotados. Simple y sin entrenamiento.
KVarN: Cuantificación de caché KV con normalización de varianza
Reduce errores en razonamiento con KVarN. Cuantificación KV de 2 bits que optimiza la memoria y mejora el rendimiento en modelos de lenguaje.
OASIS: Aceleración de inferencia LLM con cuantificación dual basada en LUT
Descubre OASIS, la arquitectura LUT que acelera la inferencia de LLM un 3x con cuantificación dual, reduciendo la pérdida de precisión a solo 1.98%.
Cuantificación de incertidumbre escalable en pronóstico de clima extremo con NTK
Mejora la predicción de clima extremo con NTK-UQ: intervalos 31-37% más precisos, adaptativos y sin reentrenamiento.
Cuantificando la incertidumbre de modelos fundacionales con SVE
Descubre SVE: incertidumbre calibrada en modelos fundacionales con solo 1% de parámetros extra.
Benchmarking de incertidumbre en clasificación multi-etiqueta de RX de tórax
Evaluamos 13 métodos de cuantificación de incertidumbre en clasificación de radiografías de tórax, desenredando incertidumbres epistémicas y aleatorias.
Repensando Representaciones Neurales Amortizadas para Terreno de Alta Resolución
Descubre cómo HUVR+SIREN logra mayor fidelidad en terrenos de alta resolución sin almacenamiento extra. Benchmark revela claves.
Predicción Conformal Online sin Parámetros y Condicional por Grupos
Nuevo método de predicción conformal online sin parámetros para cobertura justa por grupos en entornos cambiantes. ¡Mejora la fiabilidad de tus modelos!
Capacidad de cuantificación de incertidumbre en modelos tabulares
Descubre cómo TabPFN y los Procesos Gaussianos cuantifican la incertidumbre en regresión. Resultados clave para datos escasos y complejos.
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.