Reconstrucción de imágenes memorizadas a partir de prompts naturales
Un nuevo ataque de bajo costo reconstruye imágenes privadas con prompts naturales. Descubre la vulnerabilidad en modelos de IA.
#datos de entrenamiento
Los laboratorios de IA no quieren más datos, quieren socios fiables
Descubre por qué los laboratorios de IA priorizan la fiabilidad y consistencia de los datos sobre el volumen. Claves para ser un socio de datos exitoso.
DeMix: Depuración de datos de entrenamiento con errores mixtos
Aprende cómo DeMix diagnostica errores mixtos en datos de entrenamiento usando vectores de influencia. Logra un 22.61% más de precisión en limpieza de datos.
Atribución Mecanicista de Datos: Rastreando Orígenes de Entrenamiento en LLM
Descubre cómo la atribución mecanicista de datos rastrea el origen de las unidades interpretables en LLM y acelera su convergencia.
Efecto de la reparametrización con campos neuronales en 4DVAR
Descubre cómo la reparametrización con campos neuronales estabiliza 4DVAR sin datos de entrenamiento, mejorando precisión y velocidad en asimilación de datos.
Memorización en LLMs: ¿capacidad o propensión?
¿Los LLMs filtran datos de entrenamiento? Este estudio revela la diferencia entre capacidad y propensión, mostrando que los modelos rara vez revelan datos en escenarios no adversariales.
Resolución de correferencias multilingüe con traducción automática
Descubre cómo un nuevo pipeline basado en traducción automática cíclica mejora la resolución de correferencias en lenguas con pocos recursos, validado con BERT.
Resolución de correferencia multilingüe con traducción cíclica consistente
Genera datos de entrenamiento para correferencia multilingüe mediante traducción automática con consistencia cíclica.
SoLoPO: Optimización de Preferencias de Corto a Largo en LLMs
Descubre cómo SoLoPO mejora la capacidad de los LLMs para manejar contextos largos mediante optimización de preferencias de corto a largo, logrando mayor eficiencia y precisión.
SKMD: aprendizaje activo de potenciales interatómicos
Descubre cómo SKMD mejora el aprendizaje activo de potenciales interatómicos, equilibrando exploración y precisión en simulaciones moleculares. Ideal para MLIPs.
STRIDE: Atribución de datos de entrenamiento con recuperación dispersa
Descubre STRIDE, un nuevo método que atribuye predicciones de LLM a datos de entrenamiento mediante recuperación dispersa, logrando 13 veces más rapidez que métodos anteriores.
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.
Algoritmo multifidelidad adaptativo para aprendizaje automático eficiente
Descubre cómo nuestro algoritmo adaptativo multifidelidad reduce hasta 30 veces los costos de generación de datos en química cuántica, mejorando la eficiencia del machine learning.
Desbloqueando el potencial de la IA con datos de calidad
Descubre cómo la recopilación de datos de alta calidad impulsa el potencial de la IA. Aprende las claves para entrenar modelos de lenguaje precisos y éticos.
Asimilación de datos continua con dinámica sustituta aprendida
Mejora la asimilación de datos continua con modelos sustitutos de IA. Reduce error de modelo y asegura convergencia exponencial. Ideal para sistemas dinámicos.
Desaprendizaje automático multiobjetivo alineado con referencia
RAUL: un marco multiobjetivo que elimina datos de entrenamiento sin perder precisión. Optimiza olvido y retención con alineación de referencia.
Multi-respuesta: clave para generalización en modelos de lenguaje
Descubre cómo el entrenamiento con múltiples respuestas mejora la generalización de modelos de lenguaje, evitando la lotería de modos. Guía práctica.
SUPREME: Framework Multi-GPU para Evaluación de Desaprendizaje de Imágenes
Descubre SUPREME, framework open-source que acelera evaluación de desaprendizaje en imágenes usando múltiples GPUs. Reproducible y eficiente.
De cero a héroe: entrena tu propio LLM desde cero en 7 pasos
Descubre cómo entrenar tu propio LLM desde cero en 7 pasos con el método FareedKhan-dev. Deja de ser usuario y conviértete en creador de IA.
Actualizando el modelo de neurona estándar en redes neuronales artificiales
Descubre cómo actualizar el modelo de neurona estándar en redes neuronales artificiales con un enfoque cortical realista que mejora expresividad, robustez y velocidad de aprendizaje.