Descifrando el razonamiento latente: intervención guiada por interpretabilidad
Descubre cómo intervenir en el razonamiento latente de los LLM para mejorar su precisión sin actualizar parámetros. Guía basada en interpretabilidad.
#erp
FlatVPR: Corrección geométrica de manifolds con adaptador residual
FlatVPR corrige la curvatura de manifolds en modelos fundacionales, permitiendo reconstrucción lineal precisa con pocos anclajes. Mejora el VPR incluso con cambios estacionales extremos.
Minimización adaptativa de nitidez con paso Polyak: planificador teórico
Descubre cómo el algoritmo SAM con paso Polyak mejora la generalización y reduce el ajuste de hiperparámetros, con garantías de convergencia teórica.
Límites de error para un estimador de deriva basado en modelos de difusión
Analizamos las cotas de error teóricas de un estimador de deriva basado en modelos de difusión, descomponiendo el riesgo en discretización, aproximación de score, inicialización y varianza.
ShaplEIG: Diseño Experimental Bayesiano para Estimar el Valor Shapley
Mejora la precisión al estimar valores Shapley con pocas evaluaciones. ShaplEIG usa diseño bayesiano para selección adaptativa de coaliciones. Ideal para costos.
Arquitectura dualencoder con fusión Choquet en clasificación acústica submarina
Descubre cómo la nueva arquitectura dual-encoder con fusión Choquet mejora la clasificación acústica submarina, ofreciendo precisión e interpretabilidad.
Cómo la optimalidad estructura diccionarios dispersos: teoría SAE
Descubre cómo la teoría de optimalidad explica el comportamiento de los Autoencoders Dispersos (SAE) y sus diccionarios dispersos. Mejora la interpretabilidad de las representaciones neuronales.
GIFT: Transferencia funcional inducida por geometría para manipulación de objetos
Descubre GIFT: robots transfieren habilidades de manipulación desde una sola demostración humana usando geometría y mapas funcionales.
Método corrige localización de circuitos con retropropagación consciente
Aprende cómo GIM, un nuevo método de retropropagación, mejora la localización de circuitos en modelos de lenguaje al tener en cuenta interacciones.
DPsurv: Fusión evidencial de doble prototipo para predicción de supervivencia
DPsurv utiliza fusión evidencial de doble prototipo para predecir supervivencia en imágenes patológicas, ofreciendo interpretabilidad y medición de incertidumbr
OncoReason: razonamiento clínico en LLMs para predicción de supervivencia
Nuevo marco OncoReason alinea LLMs con razonamiento clínico para predicción de supervivencia robusta e interpretable. Mejora F1 un 6% y reduce MAE un 12%.
Interpreto: Biblioteca de Explicabilidad para Transformers
Interpreto: biblioteca Python de código abierto para explicar modelos transformer de HuggingFace. Ofrece atribuciones y explicaciones por conceptos para clasifi
Exploración de diseño de superposición granular de cómputo y comunicación basada en DMA
La superposición granular de cómputo y comunicación con DMA acelera hasta 1.6x el entrenamiento ML en GPUs. Heurísticas precisas para elegir el plan óptimo.
Interpolación constructiva y generalización en NODEs: control
Interpolación constructiva y generalización con NODEs semi-autónomas. Perspectiva de control para aprendizaje automático.
Fusión de datos federados para efectos regionales en prevención del VIH
Descubre cómo la fusión de datos federados permite estimar efectos regionales de supervivencia en ensayos de prevención del VIH, preservando la privacidad.
Reducción de dimensionalidad que preserva la geometría para datos composicionales
Descubre un nuevo método de reducción de dimensionalidad que preserva la geometría y es interpretable, ideal para datos composicionales con ceros. Visualización dual y análisis de microbiomas.
Resolviendo ecuaciones diferenciales con deep learning: aspectos prácticos
Aprende a resolver ecuaciones diferenciales con deep learning: redes neuronales, retropropagación y método Deep Galerkin. Sin GPU.
Clasificación multi-cáncer con redes Kolmogorov-Arnold interpretables
Descubre MOGKAN, una red profunda interpretable que logra 96.28% de precisión en clasificación de 31 tipos de cáncer usando datos multi-ómicos y redes PPI.
AdaptiveK: Autoencoders Dispersos por Complejidad
AdaptiveK ajusta dinámicamente la esparcidad según la complejidad semántica, mejorando interpretabilidad y reconstrucción de modelos de lenguaje.
VMDNet: Predicción de demanda eléctrica sin fuga temporal
Mejora la precisión en predicción de demanda eléctrica con VMDNet, evitando fuga temporal mediante descomposición variacional y TCN.