Desbloqueando dimensiones latentes en rayos X con autoencoders variacionales
Descubre cómo los autoencoders variacionales desbloquean dimensiones latentes en datos de rayos X. Acelera el análisis científico.
#encoder
El tamaño no importa: Autoencoders dispersos con puntuación coseno
La puntuación coseno en autoencoders dispersos mejora la detección de características al evitar inflación de norma, logrando conceptos humanos.
DifFRACT: Reconstrucción y Atribución para Trazado de Circuitos
Descubre cómo DifFRACT permite trazar circuitos interpretables en modelos de difusión multimodales, mejorando el control y la comprensión de la generación de
Autoencoders dispersos en cascada aprenden conceptos visuales multinivel en MLLMs
Descubre cómo los CSAEs aprenden conceptos visuales jerárquicos en MLLMs, mejorando la interpretabilidad y permitiendo intervenciones grupales.
Aprendizaje escalable de circuitos para interpretar grandes modelos de lenguaje
CircuitLasso interpreta LLMs con regresión dispersa, logrando precisión estructural a menor costo. Descubre cómo las características semánticas se propagan.
Detección casi en tiempo real de incendios por conflicto en Sudán
Descubre cómo un modelo VAE ligero detecta incendios por conflicto en Sudán en menos de 30 horas con alta precisión.
Autoencoder Disperso Racional
Descubre cómo el Autoencoder Disperso Racional (RSAE) mejora la interpretabilidad de modelos de IA con una activación entrenable, superando a SAE tradicionales.
Compresión de Contexto de Extremo a Extremo a Escala
Descubre cómo los modelos LCLM comprimen contextos largos sin perder calidad, mejorando la inferencia y el uso de memoria en IA.
Unificación geométrica del aprendizaje de conceptos con conos de conceptos
Descubre cómo CBMs y SAEs se unifican con conos de conceptos. Aprende métricas para alinear conceptos supervisados y emergentes.
Andamio computacional: clave para autoencoders dispersos
Descubre cómo un pequeño cuello de botella de rango reducido reduce los latentes densos en autoencoders dispersos y mejora la interpretabilidad.
Descompón dispersamente donde toca, absorbe densamente donde no
Un nuevo estudio descubre que las activaciones contienen un componente denso y causal, reduciendo latentes densos un 84% en autoencoders dispersos. Descubre el andamio computacional.
Aprendizaje espectral profundo con operadores de transferencia latentes
Aprende sobre el Deep Spectral Encoder, un modelo de aprendizaje profundo que usa operadores de transferencia latentes para sistemas dinámicos estocásticos, con
Modelo basado en atención para predicción robusta con modalidades faltantes
Descubre un modelo basado en atención que maneja datos multimodales incompletos para predicciones robustas en robótica. ¡Supera la falta de sensores!
Clasificación HCQ de Alzheimer con β-VAE supervisado y kernels cuánticos
Pipeline híbrido clásico-cuántico con autoencoder supervisado y kernels cuánticos logra 72% de precisión en Alzheimer en resonancias magnéticas.
Ensamblando Autoencoders Dispersos
Ensamblaje de SAEs: mejora reconstrucción y estabilidad. Logra mejores resultados en detección de conceptos y elimina correlaciones espurias. Ideal para IA.
Fusión multi-fidelidad de datos aerodinámicos con autoencoder transfer learning
Fusión de datos multi-fidelidad con autoencoder y transfer learning logra predicciones aerodinámicas precisas con pocos datos e incertidumbre >95%.
Aprendizaje no supervisado interpretable para mediciones precisas en partículas
Descubre HistoAE, el autoencoder que logra mediciones precisas con espacio latente interpretable en física de partículas.
Del aislamiento al enredo: ¿Separación de conceptos en interpretabilidad?
Los métodos de interpretabilidad (SAEs, sondas) buscan separar conceptos, pero manipular características afecta múltiples conceptos, desafiando la independencia
HELVAE: Autoencoders Multimodales con Divergencia Hellinger
Descubre cómo HELVAE mejora los autoencoders multimodales usando la divergencia Hellinger para representaciones latentes más expresivas y mejor equilibrio entre coherencia y calidad.
Los circuitos de modelos de lenguaje son dispersos en la base de neuronas
Descubre cómo las neuronas MLP son tan dispersas como los autoencoders dispersos, permitiendo trazar circuitos causales en modelos de lenguaje sin coste adicional de entrenamiento.