Steering geométrico en modelos de lenguaje: descomposición ángulo-norma
Descubrimos que el control de modelos de lenguaje depende de la interacción entre ángulo y norma. Explicamos por qué los métodos de steering difieren y proponem
#geometría
La geometría de los fallos representacionales en modelos de visión-lenguaje
Estudio revela cómo la geometría de representaciones internas en VLMs causa alucinaciones. Aprende sobre vectores conceptuales y fallos visuales.
La geometría del robo de la última capa en IA
Descubre cómo la geometría revela los secretos del robo de modelos de IA: condiciones exactas para copiar la última capa de un transformer y sus límites.
La geometría del robo de modelos en la última capa
Descubre cómo la geometría explica el robo de modelos: condiciones exactas para copiar la última capa y los límites de las capas ocultas. Clave para seguridad.
ML-FTLE unificado guiado por geometría para rastrear caos transitorio en series temporales escalares
Descubre cómo un nuevo marco de ML guiado por geometría detecta caos transitorio en series temporales, sin ecuaciones, con alta precisión y resistencia al ruido.
Aumann-SHAP: Geometría de interacciones contrafactuales en Machine Learning
Descubre Aumann-SHAP, un marco que descompone transiciones contrafactuales usando geometría de hipercubos. Corrige sesgos y mejora la interpretabilidad en ML.
Estadísticas predictivas y representaciones emergentes en caminantes de rejilla
Descubre cómo las estadísticas predictivas crean modelos del mundo en redes neuronales. Estudio revela que transformadores aíslan un estado universal.
¿Ese video de tu jefe? Seis cámaras y una mentira que no ves
Los deepfakes avanzan de capas superficiales a síntesis 3D. ¿Cómo afecta esto a la verificación biométrica? Descúbrelo aquí.
Operadores Monte Carlo Steklov para geometría a gran escala
Un nuevo método Monte Carlo para estimar operadores volumétricos acelera el procesamiento de geometría 3D, robusto ante mallas de baja calidad y múltiples componentes.
Knowledge Manifold: Mapeo semántico y análisis geodésico
Explora el Knowledge Manifold: un marco geométrico que mapea semánticamente artículos y genera conocimiento virtual mediante SPH y GPR.
Destilación simbólica para métricas de Calabi-Yau
La destilación simbólica logra expresiones compactas para métricas de Calabi-Yau en la quíntica de Dwork con R²=0.9994. Geometría y machine learning unidos.
BiNSGPS: Problemas de geometría con interacción neuro-simbólica bidireccional
BiNSGPS resuelve problemas de geometría con interacción bidireccional entre MLLM y solucionadores, eliminando errores y alucinaciones.
Cohomología de haces incremental: ediciones perezosas O(1) en complejos celulares
Algoritmo O(1) para ediciones perezosas en cohomología de haces. Mantén complejos dinámicos actualizados con baja latencia. Ideal para grandes datos.
SAM 3D: Convierte cualquier imagen en 3D
Descubre SAM 3D, el modelo que reconstruye objetos 3D con geometría y textura desde una imagen. Gana 5:1 en pruebas humanas. ¡Prueba la demo!
DVGT: Transformador de Geometría Visual para Conducción Autónoma
Descubre DVGT, un innovador modelo que reconstruye mapas 3D sin parámetros de cámara para conducción autónoma.
Detección de alucinaciones en modelos de lenguaje con conciencia geométrica
Descubre cómo GA-ICL, un método de selección de ejemplos con conciencia geométrica, mejora la detección de alucinaciones en LLMs sin modificar parámetros.
Geometría Gaussianas: Separando Apariencia y Geometría en Gaussian Splatting
Descubre cómo separar apariencia y geometría en Gaussian Splatting usando un parámetro de opacidad. Mejora el renderizado 3D y objetos transparentes.
HalfNet: Redes Neuronales Aleatorias con Geometría de Subespacio
Descubre HalfNet, la red neuronal que aprende la geometría de sus pesos aleatorios. Reduce parámetros sin perder precisión en MNIST y CIFAR-10.
Geometría Monge compatible con conos para transporte óptimo de alta dimensión
Aprende cómo la geometría Monge con conos resuelve transporte óptimo de alta dimensión, ofreciendo soluciones cerradas y métricas Wasserstein interpretables.
Caracterización geométrica de la meseta estacionaria en redes de dos capas
Descubre cómo la geometría de mesetas estacionarias en redes de dos capas revela si el desdoblamiento de neuronas produce mínimos locales o puntos de silla.