Árboles de Presupuesto Latente Simultáneo para Clasificación Estratificada
Clasificación estratificada interpretable con Árboles de Presupuesto Latente Simultáneo. Controla variables temporales, espaciales o demográficas.
#explicable
Modelo Interpretable Estándar: teoría general con mecánica lagrangiana
Descubre cómo el SIM usa la mecánica lagrangiana para diseñar métodos interpretables. Una teoría que unifica y mejora la interpretabilidad.
Explicabilidad generativa con LLM para redes de próxima generación
Descubre cómo LLM y SHAP generan explicaciones en lenguaje natural para redes, con un 97.5% de corrección. Mejora la transparencia IA.
Visual-TCAV: Explicabilidad en clasificación de imágenes con mapas de saliencia
Descubre cómo Visual-TCAV combina mapas de saliencia y atribución de conceptos para explicar predicciones en clasificación de imágenes. Más preciso que TCAV.
Decodificando emociones dinámicas del cerebro con IA y LLMs
Descubre el innovador marco de regresión mejorado con LLMs que decodifica emociones continuas desde señales cerebrales fMRI. Léelo en Q2BSTUDIO.
Espectro del discurso de odio: medición con IRT Rasch y deep learning explicable
Aprende a medir el discurso de odio en una escala continua usando teoría Rasch y deep learning explicable, ajustando por perspectiva de anotadores.
Análisis de la teoría de la información para la IA explicable
Analizamos el método MI CAM, que emplea teoría de la información para generar mapas de saliencia en CNNs, logrando explicaciones más precisas y causales.
XAInomaly: Autoencoder Contractivo Explicable para Anomalías en O-RAN
Descubre XAInomaly, un autoencoder contractivo explicable para detectar anomalías en tráfico O-RAN. Mejora la gestión con IA explicable.
Seguimiento Explicable de Dependencias en Tiempo Real para Conflictos AI-RAN
Descubre el seguimiento explicable de dependencias en tiempo real para monitoreo de conflictos en AI-RAN. Usa matrices booleanas y ventanas deslizantes.
Aprendizaje de Modelos de Conducta con Preguntas y Sondas Adaptativas
Las preguntas adaptativas y sondas del modelo del mundo permiten entrenar agentes de IA que explican su comportamiento y se adaptan a cambios.
Inteligencia de Amenazas Cognitiva y Análisis Federado Explicable
Descubre cómo la inteligencia de amenazas cognitiva y el aprendizaje federado explicable protegen infraestructuras distribuidas sin comprometer la privacidad.
Analítica de Riesgo Cibernético con IA Explicable para Infraestructuras Críticas
Descubre cómo un marco basado en XGBoost y SHAP con IA explicable analiza y predice riesgos cibernéticos en infraestructuras críticas de EE.UU., mejorando la fiabilidad y transparencia.
Detección temprana del Alzheimer con ML explicable
Modelo XGBoost con SHAP logra 94% de precisión en detección temprana del Alzheimer usando 8 pruebas clínicas del estudio ADNI.
MedForge: Detección interpretable de deepfakes médicos con razonamiento experto
Descubre MedForge, el sistema que detecta deepfakes médicos con explicaciones basadas en evidencia. Protege la confianza clínica con IA interpretable.
MedForge: Detección interpretable de deepfakes médicos con razonamiento forense
MedForge detecta deepfakes médicos con explicaciones confiables y razonamiento forense para proteger la seguridad clínica.
X-RAY: Mapeo del razonamiento en LLMs con sondas formales
Descubre cómo X-RAY mapea la capacidad de razonamiento de los LLMs usando sondas formales y calibradas, revelando asimetrías y fallos interpretables.
Marco robusto y explicable con Transformers para detectar phishing
Descubre cómo un marco basado en Transformers usa entrenamiento adversarial y explicabilidad (LIME, SHAP, IG) para detectar phishing en correos de forma fiable.
Reveal-IG: Atribución por caminos distribucionales
Reveal-IG: atribución basada en caminos distribucionales. Atribuciones estables con signo sin artefactos. Ideal para explicabilidad en IA.
Predicción explicable de avances científicos con redes de conceptos
Un modelo explicable predice avances científicos analizando redes de conceptos con precisión superior. Clave para estrategias de I+D basadas en datos abiertos.
Explicando neuronas activadas por ausencias
Descubre cómo la IA explicable revela neuronas activadas por la ausencia de conceptos y mejora la eliminación de sesgos en modelos profundos.