Descubrimiento e inferencia no lineal en epidemiología con RuleSHAP
Descubre cómo RuleSHAP combina regresión bayesiana y valores Shapley para detectar efectos no lineales en datos epidemiológicos con incertidumbre cuantificada.
#ia causal
AnchorEdit: Consistencia temporal en edición multitorneo
Descubre AnchorEdit, el primer framework autoregresivo de difusión para edición de imágenes multitorneo que mantiene la identidad del sujeto sin errores acumulados, incluso tras 10 rondas de edición.
Sistemas de razonamiento y agentes en series temporales con LLMs
Evaluamos topologías de razonamiento, benchmarks y guías para sistemas fiables en series temporales con LLMs. Descubre cómo transforman el análisis y la toma de decisiones.
WorldKernel: el núcleo de acoplamiento de mundos posibles
Los predictores fallan al cuantificar la incertidumbre entre mundos contrafactuales. Descubre cómo el kernel de acoplamiento resuelve el enigma de la inferencia causal.
Detección de anomalías y análisis de causas raíz en microservicios
Descubre métodos avanzados de detección de anomalías y análisis de causas raíz para mejorar la fiabilidad de tus sistemas de microservicios en la nube.
Aprendizaje por refuerzo en contexto con modelos de mundo comunicativos
CORAL: un nuevo marco para aprendizaje por refuerzo en contexto que separa representación latente y control, logrando adaptación a cero y mejora en eficiencia de muestras.
Comprendiendo el lenguaje de benchmarks con semánticas debilitadas
Descubre cómo extraer computables de benchmarks para obtener evidencia semántica inspeccionable y superar limitaciones del razonamiento textual.
Evaluación fuera de política con agentes estratégicos mediante divulgación local
Descubre cómo la divulgación local revela covariables previas a la adaptación, permitiendo evaluar políticas sin interacciones repetidas.
EML-CD: Árboles simbólicos para recuperar mecanismos causales
EML-CD recupera mecanismos causales como ecuaciones cerradas usando árboles simbólicos EML. Supera a métodos tradicionales en precisión e interpretabilidad. ¡Descúbrelo!
Representaciones causales discretas en dominios heterogéneos: enfoque bayesiano
Descubre cómo la inferencia bayesiana aprende representaciones causales discretas a partir de encuestas sociales en distintos dominios.
Descubrimiento Causal Robusto en Series Temporales Reales con Leyes de Potencia
Descubre cómo las leyes de potencia mejoran el descubrimiento causal en series temporales reales, reduciendo ruido y obteniendo inferencias fiables.
Hacia una prueba de independencia condicional escalable y válida con representaciones espectrales
Descubre cómo las representaciones espectrales mejoran la escalabilidad y validez en pruebas de independencia condicional. Un enfoque innovador con garantías teóricas.
Estimación semiparamétrica eficiente con modelos de caja negra
Descubre cómo eliminar sesgos en modelos de caja negra para una estimación semiparamétrica más precisa. Nuevo método que supera al Double Machine Learning clásico.
Límites de precisión de árboles causales para efectos individualizados
Exploramos los límites de precisión de los árboles causales para efectos de tratamiento individualizados. ¿Por qué pueden converger lentamente y qué significa para la inferencia causal?
Benchmarking de predicción contrafactual en epidemias con intervenciones variables
Descubre cómo evaluamos la predicción contrafactual en epidemias con intervenciones variables. Un benchmark realista basado en datos de EE.UU. para mejorar la inferencia causal.
Predicción contrafactual con redes causales ajustadas por prior
Descubre CausalLongPFN, un modelo preentrenado con datos sintéticos que predice resultados contrafactuales en secuencias temporales sin necesidad de reentrenamiento. Competitivo en benchmarks reales.
Trivium: arrepentimiento temporal como objetivo en controladores causales
Trivium introduce el arrepentimiento temporal como objetivo en controladores causales. Reduce errores persistentes en sistemas agénticos y LLMs. ¡Descúbrelo!
Aprendizaje por refuerzo superior con interacción humano-IA
Descubre cómo la interacción humano-IA crea una super-política que supera al aprendizaje por refuerzo tradicional, incluso con confusión.