Más allá del procedimiento: Equidad sustancial en predicción conforme
Igualar tamaños de conjuntos en predicción conforme mejora la equidad sustancial. Descubre cómo un evaluador LLM facilita el análisis. ¡Optimiza tus modelos!
#cuantificación
Inferencia Estadística sobre Flujos de Gradiente
Aprende sobre inferencia estadística uniforme en flujos de gradiente. Teoría de límite central y estimador de covarianza sin inversión de matrices.
Gradientes en embeddings semánticos revelan la incertidumbre de los LLM
Descubre cómo los gradientes semánticos revelan la incertidumbre de los LLM. SemGrad y HybridGrad: métodos sin muestreo para predicciones fiables.
Cuantificación precisa de incertidumbre en grandes muestras con SG-MCMC
Descubre cómo nuevas aproximaciones discretas a SGLD permiten cuantificar incertidumbre en grandes conjuntos de datos para mejor ajuste y robustez.
GNMR: Control de estabilidad en tiempo real para entrenar LLM en baja precisión
Descubre GNMR, un controlador ligero que estabiliza el entrenamiento de modelos de lenguaje en baja precisión sin cambiar el formato numérico. Mejora la calidad y reduce costes.
Ambigüedad en la predicción de errores con cuantificación de incertidumbre
Descubre cómo la ambigüedad afecta la predicción de errores en LLMs y cómo desenredarla mejora la precisión hasta en 10 puntos de PRR.
Benchmarking de métodos de incertidumbre para temperatura de gas de turbina
Comparativa de cinco métodos de ML para cuantificar incertidumbre en temperatura de turbina. Descubre cuál ofrece mejor precisión y confiabilidad.
Selección Activa de Tiempos para Aprender Trayectorias de Medidas
Descubre cómo seleccionar los mejores tiempos de medición usando aprendizaje activo y procesos gaussianos para reducir costos en biología unicelular.
Alineación humana, calibración y patrones en la incertidumbre de LLMs
Descubre cómo los LLMs reflejan la incertidumbre humana mediante alineación, calibración y patrones de activación. Un estudio clave para entender y combatir alucinaciones.
Inferencia Bayesiana Escalable para Leyes de Conservación No Lineales
Aprende cómo la inferencia bayesiana escalable con procesos gaussianos resuelve problemas inversos en segundos, superando a métodos de deep learning.
¿Es suficiente la última capa para cuantificar la incertidumbre?
Descubre por qué la linearización de la última capa ofrece una cuantificación de incertidumbre comparable a la de toda la red, con mucha mayor eficiencia computacional. Estudio teórico y empírico.
LFQ: Cuantificación del bloque final consciente de logits para mejorar la calidad de generación de LLM cuantificados de bajo bit
LFQ optimiza la cuantificación del bloque final para mejorar el rendimiento de LLM de bajo bit. Descubre esta técnica avanzada.
Conf-Gen: Cuantificación de Incertidumbre Conformal para Modelos Generativos
Explora la cuantificación de incertidumbre conformal en modelos generativos: mejora la fiabilidad, aprende métodos y aplicaciones clave.
SCoOP: Agregación de Opiniones con Consistencia Semántica para la Cuantificación de Incertidumbre en Sistemas con Múltiples Modelos de Visión y Lenguaje
Descubre SCoOP, la agregación semántica de opiniones que cuantifica incertidumbre en sistemas multi-modelo. Optimiza la toma de decisiones con mayor precisión.
ReSpinQuant: Cuantificación eficiente de capa por capa de LLM mediante aproximación de rotación residual en subespacio
Cuantificación eficiente de LLMs capa por capa usando rotación residual en subespacio. Optimiza el rendimiento sin sacrificar precisión con esta innovadora técnica.
¿Cuánto pueden ayudar unos pocos movimientos de motor? Cuantificando el engaño limitado en ajedrez.
Cuantificamos el engaño limitado: analiza cómo unos pocos movimientos de motor pueden marcar la diferencia. Descubre los resultados clave.
Enfoque en el seguro cibernético: cómo la cuantificación del riesgo está reconfigurando la seguridad
Descubre cómo la cuantificación del riesgo transforma el seguro cibernético y redefine la seguridad digital. Información clave sobre ciberseguridad.