Más allá del tiempo real: el análisis de eventos necesita un replanteamiento
Descubre cómo Complex Event Analytics (CEA) va más allá del CEP para ofrecer contexto, gobernanza y acción en eventos a gran escala. Aprende sus cuatro capas.
#ia causal
Priores de contracción para sustitutos bayesianos de confusores
Aprende cómo los priores de contracción permiten crear sustitutos bayesianos dispersos para confusores no medidos, mejorando la inferencia causal en estudios
Aprendizaje de políticas Wasserstein para resultados distribucionales
Descubre el aprendizaje de políticas Wasserstein: optimiza resultados distribucionales con garantías estadísticas y arrepentimiento mínimo.
Balanced Twins: Inferencia causal en series temporales con confusión oculta
Descubre cómo Balanced Twins estima efectos causales en series temporales con confusión oculta usando deep learning y matching flexible.
Método de Variable Instrumental Distribucional
Descubre cómo el método DIV permite estimar toda la distribución de efectos causales, superando limitaciones de técnicas tradicionales. Ideal para economía y
Pruebas A/B con LLM: marco de sustituto para inferencia causal
Descubre cómo los LLM pueden ser sustitutos en pruebas A/B para inferencia causal. Conoce el marco estadístico, sesgos y validación.
Descubrimiento causal basado en gradientes en procesos industriales
Descubre GRNGC, el nuevo marco de gradientes para inferencia causal eficiente en procesos industriales.
Selección de modelos en InferBERT: análisis comparativo para farmacovigilancia
Descubre por qué la selección del modelo es clave en InferBERT para detectar eventos adversos de medicamentos. Comparativa revela que BioBERT, con
Comparativa de modelos en InferBERT para inferencia causal en farmacovigilancia
Descubre por qué BioBERT supera a grandes LLMs como Med-LLaMA en la detección de eventos adversos causales con InferBERT.
Inferencia causal instrumental y proximal con procesos Gaussianos
Descubre cómo los procesos Gaussianos permiten inferencia causal con cuantificación fiable de incertidumbre. Un enfoque unificado para variables instrumentales
Balanceo funcional basado en kernels para inferencia causal composicional
Nuevo método de balanceo funcional basado en kernels para estimar efectos causales con tratamientos composicionales. Logra consistencia y normalidad asintótica.
Análisis de mediación proximal con testigos retractantes ocultos
Descubre cómo identificar efectos causales directos e indirectos incluso con confusores ocultos. Nuevo método robusto y eficiente basado en inferencia
VigilFormer: Atención deformable causal para detección de anomalías
VigilFormer combina atención deformable y causal para detectar anomalías en video. Logra 87.83% AUC en UCF-Crime a 41.5 FPS. ¡Alta precisión y velocidad!
Identificación causal e interpretable de efectos de tratamiento heterogéneos
Descubre cómo NEXIS identifica efectos causales de intervenciones usando imágenes satelitales para optimizar políticas contra la pobreza.
De la correlación a la causalidad en predicción de cambios de carril
Descubre cómo un marco de inferencia causal supera la correlación tradicional para predecir cambios de carril en vehículos autónomos, logrando un 95% de
MOSIC: Identificación óptima de subgrupos bajo múltiples restricciones
Descubre MOSIC: un marco que identifica subgrupos óptimos bajo múltiples restricciones, mejorando la fiabilidad en decisiones clínicas. Modelo agnóstico y eficiente.
TRACE: Memoria Causal para Imitación Visuomotora con Evidencia Diferida
TRACE: un sistema de memoria causal para robots que resuelve tareas con evidencia visual desaparecida. Mejora la imitación visuomotora y decisiones.
Agregación de Propensity Scores para Inferencia Causal Federada
Aprende a estimar el efecto causal de un tratamiento usando datos de múltiples sitios sin revelar datos privados, con un enfoque federado de propensity scores.
Inferencia causal potenciada por predicción: DML y Riesz semi-supervisada
La inferencia causal potenciada por predicción (PPCI) con DML y regresión Riesz semi-supervisada logra estimaciones más eficientes que los métodos clásicos.
La imposibilidad de extraer conocimiento latente en IA
¿Sabías que ni con feedback perfecto se puede lograr una IA honesta? Este artículo explica el teorema de imposibilidad de extraer conocimiento latente.