Una visión unificadora sobre la incertidumbre de recompensa en RLHF
Descubre cómo la incertidumbre en RLHF se unifica con un modelo distribucional, mitigando el reward hacking. Clave para optimización robusta.
#ensemble
Aceleración de OCSVM mediante ensemble de SVMs de un dato
Descubre cómo acelerar el entrenamiento de OCSVM en grandes conjuntos de datos usando un ensemble de SVMs de un dato. Resultados rápidos y precisos. Código
Reordenamiento basado en autoconsistencia para preguntas narrativas
Mejora la precisión en preguntas narrativas usando autoconsistencia. Resultados: +14.57% en Pegasus-Large y +4.34% en FLAN-T5. ¡Optimiza tu modelo ya!
Revisitando polinomios de Chebyshev y RBF anisotropicos para regresion tabular
Descubre cómo los modelos suaves (Chebyshev y RBF) rivalizan con los árboles en regresión tabular, ofreciendo mejor generalización sin GPU.
Clasificación ensemble de enfermedades en hojas de limón con deep learning
Descubre cómo un ensemble de InceptionV3 y MobileNetV2 clasifica enfermedades en hojas de limón con un 99.27% de precisión. Entrenamiento adversarial y
Estructura Maestro-Estudiante para Adaptación de Dominio en Deepfakes Audiovisuales
Descubre cómo mejorar la detección de deepfakes audiovisuales con estructura maestro-estudiante: hasta 17.94% más AUC en dominios nuevos.
Cloudflare incorpora talento de Ensemble AI para acelerar su infraestructura de IA
Cloudflare suma al equipo de Ensemble AI para mejorar la eficiencia de inferencia y reducir costos en modelos de IA a gran escala. Descubre cómo esto beneficia a desarrolladores.
Incertidumbre epistémica no es reducible
¿Crees que más datos eliminan la incertidumbre epistémica? Un nuevo estudio demuestra que no. Conoce la paradoja y la nueva clasificación.
Filtro de Kalman por conjuntos neuronal para flujos compresibles con choques
Descubre cómo el Neural EnKF mejora la asimilación de datos en flujos compresibles con choques, evitando oscilaciones espurias mediante redes neuronales.
Modelado con procesos gaussianos restringidos para sistemas cuánticos
Descubre cómo el modelo pc-EGP combina procesos gaussianos con restricciones físicas para simular sistemas cuánticos costosos con ruido variable. ¡Lee el artículo!
Agente Ensemble Causal: Descubrimiento Causal Jerárquico con LLM
El Agente Ensemble Causal (CEA) usa LLM para re-ponderar expertos en descubrimiento causal, mejorando la precisión de los gráficos causales. ¡Descúbrelo!
Asimilación de datos con difusión latente: Kalman vs Monte Carlo
Los métodos Monte Carlo (MCMC y SMC) superan a los ensemble-Kalman en asimilación de datos geológicos 3D, logrando mayor reducción de incertidumbre.
Eficacia del clustering profundo en conjunto en historias clínicas
Investigamos la eficacia del clustering profundo ensemble en historias clínicas electrónicas para identificar subgrupos de pacientes con insuficiencia cardíaca.
Pronóstico de elecciones japonesas con machine learning no lineal
Descubre cómo los modelos de machine learning no lineal mejoran la precisión en el pronóstico de elecciones japonesas, superando métodos lineales clásicos.
GuardNet: Redes superficiales contra inyección de prompts y jailbreak
GuardNet combina redes neuronales superficiales para detectar ataques a LLMs. Logra AUROC 0.747 en benchmark ciego con solo 50ms de latencia. Ideal para producción.
Validación en campo de modelo ConvLSTM multirresolución para deformación de muros
Descubre cómo un modelo ConvLSTM multirresolución predice deformaciones en muros de contención con solo 1.4 mm de error, validado en 11 excavaciones reales.
Variance-Gated Ensembles: Marco Epistémico para Incertidumbre
Descubre VGE, un marco innovador para estimar incertidumbre en modelos de ensamble. Eficiente, escalable y con conciencia epistémica. ¡Mejora tu IA!
Self-Soupervision: Cocinar sopas de modelos sin etiquetas
Descubre cómo Self-Soupervision crea sopas de modelos sin etiquetas, mejorando robustez un +3.5% en ImageNet-C y +7% en LAION-C. ¡Optimiza tus modelos!
CauTion: Cuándo confiar en los LLMs para descubrimiento causal
Descubre CauTion, un marco que integra LLMs y algoritmos estadísticos para descubrimiento causal con alta precisión y robustez. Ideal para científicos de datos.
q0: Primitivas para el preentrenamiento con hiper-épocas
Descubre q0: primitivas para preentrenar con hiper-épocas. Genera una población de modelos diversos que logran menor pérdida de validación con hasta 4.6x menos épocas.