Aprendizaje Heurístico Médico: Reglas Clínicas Interpretables con LLM
Descubre cómo MHL usa LLMs para crear reglas clínicas transparentes y auditables, superando el desbalance y la evolución de datos en salud.
#desbalance de clases
Evaluación de clasificadores binarios sin rebalanceo ante desbalance
Descubre el rendimiento de clasificadores binarios sin rebalanceo. Evaluamos su robustez ante desbalance extremo con datos reales y sintéticos.
SLUM-i: Aprendizaje semisupervisado para mapeo de asentamientos informales
SLUM-i: aprendizaje semisupervisado para mapeo de asentamientos informales con mejora en calidad de datos. Logra +5.9 pp mIoU.
MedFeat: ingeniería de características con LLMs para predicción clínica
Descubre cómo MedFeat usa LLMs para ingeniería de características consciente del modelo, mejorando predicciones clínicas en más de un 10%.
Análisis multinivel del desbalance para no-IID en aprendizaje federado
Descubre cómo FedBB resuelve el desbalance triple en aprendizaje federado con una función de pérdida balanceada y reponderación de clientes, mejorando la precisión y privacidad.
Framework público de aprendizaje automático para principiantes
Descubre el primer framework público que guía a principiantes en ML: recomienda pipelines completos según reglas de expertos y tus datos.
Síntesis de Cópula Gaussiana Binaria: aumento de datos con LLM para diálisis
Mejora la predicción de diálisis temprana con BGCS: uso de cópula gaussiana y GPT-2 para generar datos sintéticos realistas. Supera a SMOTE y CTGAN.
Tamaño del conjunto de calibración para LLM como juez: ¿50 o 200?
¿50 o 200 trazas? Aprende a determinar el tamaño de muestra para validar un LLM como juez según el balance de clases. La clave está en el kappa de Cohen.