X-REFINE: Filtrado y ajuste de arquitectura con XAI para estimación de canales
Descubre X-REFINE: filtra entradas y ajusta arquitecturas con XAI para estimación de canales 6G, reduciendo complejidad sin perder rendimiento.
#explicable
Definición de buenas explicaciones y retos al explicar salidas de LLM
Descubre cómo definir una buena explicación según la filosofía y la IA, y por qué es tan difícil explicar los outputs de los LLMs. Aprende sobre explicaciones
Pensamiento Visual Fundamentado en Imágenes
Descubre cómo el pensamiento visual con grounding mejora el razonamiento de modelos de IA, vinculando pensamientos a regiones de imagen para mayor precisión.
LiteOdyssey: Un agente de IA ligero para diagnosticar enfermedades raras
LiteOdyssey: el agente de IA ligero que logra 59.3% Recall@1 en enfermedades raras sin escalar.
Más allá del análisis de sangre: ML explicable para disglucemia
Aprende cómo el Machine Learning explicable detecta el riesgo de disglucemia sin análisis de sangre. Modelo LightGBM supera a pruebas clínicas tradicionales.
Fiabilidad de la detección de símbolos en Modelos Cuello de Botella
Descubre cómo evaluar si los modelos de IA explicables detectan conceptos fiables o usan atajos. Un nuevo enfoque para mejorar la transparencia.
Razonamiento causal fiel con unidades de acción para explicaciones emocionales
Descubre cómo FACR garantiza explicaciones emocionales fieles al usar un gráfico causal de unidades de acción, mejorando la precisión en IA.
Detección explicable de memes de odio y propaganda con RL y CoT
Descubre cómo un nuevo método de RL con supervisión CoT mejora la detección explicable de memes de odio y propaganda, superando benchmarks en inglés y árabe.
Mejora de atribución visual con Gradientes Integrados Ponderados
Weighted Integrated Gradients mejora la atribución visual en IA explicable, ponderando líneas base para explicaciones más fiables. Hasta 36% de mejora en
Ontologías ejecutables basadas en teoremas para razonamiento interpretable
Descubre cómo las Ontologías de Ejecución Basadas en Teoremas (TGEO) hacen el razonamiento de IA interpretable, verificable y reproducible. ¡Mejora la
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.
El aprendizaje profundo explicable mejora modelos mentales de autos autónomos
Un nuevo método de aprendizaje profundo explicable (CW-Net) mejora la comprensión humana del comportamiento de autos autónomos, aumentando la confianza y la
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.
RT-VLA: Modelos de visión-lenguaje-acción en tiempo real con destilación
Descubre RT-VLA, un modelo ligero que reduce la latencia de inferencia hasta 44.8x mediante destilación de conocimiento para conducción autónoma en tiempo real.
CottonLeafVision: aprendizaje profundo para detectar enfermedades en algodón
Descubre cómo CottonLeafVision logra un 98% de precisión en clasificación de enfermedades del algodón con explicabilidad y robustez.
ANSR-DT: Marco neuro-simbólico para gemelos digitales adaptativos y explicables
Conoce ANSR-DT, el marco neuro-simbólico que hace los gemelos digitales más transparentes y adaptativos. Mejora la eficiencia industrial.
Desafíos de equilibrar cumplimiento de IA e innovación en sectores críticos
Descubre los desafíos clave para armonizar el cumplimiento normativo de IA con la innovación en sectores críticos. Estrategias prácticas para pymes y reguladores.
Un asistente de IA explicable para mejorar la retroalimentación en programación
Mejora la retroalimentación en programación con un asistente de IA explicable y colaboración instructor-IA. Resultados precisos y confiables.
ProtoX-AD: Detección autoexplicable de anomalías temporales
ProtoX-AD ofrece detección de anomalías en series temporales con explicaciones basadas en prototipos. Descubre cómo mejora la interpretabilidad sin perder rendimiento.
Árboles de Presupuesto Latente Simultáneo para Clasificación Estratificada
Clasificación estratificada interpretable con Árboles de Presupuesto Latente Simultáneo. Controla variables temporales, espaciales o demográficas.