OA-CutMix: Corrigiendo el sesgo de etiqueta de CutMix
Descubre OA-CutMix: corrige el sesgo de etiqueta en CutMix usando máscaras de segmentación. Mejora la precisión sin modificar la mezcla.
#etiqueta
Fase 2 Enviada: 5 Errores sobre Enrutamiento con Embeddings
Fase 2: 5 errores al implementar enrutamiento con embeddings - lecciones sobre precisión, categorías y datos sintéticos.
TadA-Bench: un millón de variantes para ingeniería de proteínas con agentes
TadA-Bench ofrece un millón de variantes de proteínas para que la IA descubra rondas futuras en evolución dirigida. Acelera la ingeniería de proteínas con agentes.
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!
OPAL: Asignación optimizada de etiquetado para inferencia asistida
OPAL optimiza el etiquetado para inferencia precisa, logrando intervalos de confianza válidos con menos muestras etiquetadas. Ideal para medicina y ciencias.
Verificación condicionada por confianza en RL en tiempo de prueba
Descubre cómo TTRL-CoCoV mejora Pass@k y Pass@1 en razonamiento complejo sin etiquetas, usando verificación condicionada por confianza.
CoEval: ranking de modelos sin datos ni benchmarks confiables
Descubre CoEval: un framework que evalúa y rankea modelos de lenguaje sin necesidad de datos etiquetados ni benchmarks fiables. Resultados limpios y por solo $5.89.
Evaluación y mitigación de la descalibración en LLMs para ciencia social
Descubre cómo la descalibración en LLMs afecta mediciones sociales y cómo nuestra destilación reduce el error un 43%. Mejora la validez.
Autointerpretación: adaptadores ligeros entrenados en pares vector-etiqueta
Cómo adaptadores ligeros entrenados en pares vector-etiqueta logran autointerpretación que supera etiquetas y revela razonamiento implícito.
IdEst: dimensión intrínseca para evaluar representaciones SSL
IdEst evalúa representaciones SSL con dimensión intrínseca: métrica geométrica que correlaciona con el rendimiento downstream. Ahorra tiempo en evaluación.
Agujas en el pajar: etiquetado activo transductivo en ecología
Mejora la detección de especies raras en ecología con etiquetado activo transductivo. Un nuevo criterio de parada híbrido optimiza el descubrimiento de clases escasas.
Annot-Mix: Aprendizaje con etiquetas ruidosas de múltiples anotadores vía Mixup
Annot-Mix mejora el entrenamiento con etiquetas ruidosas de múltiples anotadores vía Mixup. Superior a 11 enfoques en 11 datasets.
Benchmarking de incertidumbre en clasificación multi-etiqueta de RX de tórax
Evaluamos 13 métodos de cuantificación de incertidumbre en clasificación de radiografías de tórax, desenredando incertidumbres epistémicas y aleatorias.
Reactivando tokens de parche para mejorar el probing en audio
El probing con tokens de parche reactivados supera al costoso fine-tuning en clasificación de audio multi-etiqueta. Descubre este nuevo método ligero y eficiente.
Regularización implícita para selección de características multi-etiqueta
Descubre cómo la regularización implícita mejora la selección de características en problemas multi-etiqueta, reduciendo sesgo y permitiendo un sobreajuste beni
HiFi-KPI: Dataset jerárquico para KPIs financieros
Descubre HiFi-KPI, el dataset con 1.65M de párrafos y 198k etiquetas jerárquicas para extraer KPIs de informes financieros. Modelos de IA alcanzan 0.906 F1 en clasificación.
PaCX-MAE: Fusión de rayos X y fisiología en IA médica
PaCX-MAE mejora el diagnóstico de rayos X integrando datos fisiológicos (ECG, laboratorio) sin requerirlos en inferencia. Logra +2.7 AUROC y +6.5 F1 con solo 1% de datos.
ML para codificar nombres de productos en categorías de precios
Descubre un pipeline de ML para clasificar productos minoristas en categorías de precio usando reglas, bolsa de palabras y etiquetado humano confiable.
Colaboración incentivada en aprendizaje activo
Descubre cómo los protocolos de colaboración incentivada reducen la complejidad de etiquetado en aprendizaje activo, garantizando racionalidad individual.
Autoencoder de varianza ordenada para descubrir relaciones no lineales estáticas
Descubre cómo extraer relaciones estáticas no lineales de datos no etiquetados con autoencoder de varianza ordenada. Ideal para optimización en tiempo real.