Ver no es saber: cuándo los VLMs deberían abstenerse
¿Los VLMs saben cuándo abstenerse? Un estudio revela que fallan en preguntas espaciales con oclusión o ambigüedad, respondiendo con exceso de confianza. Descubre por qué.
#incertidumbre
Benchmarking de métodos de incertidumbre para temperatura de gas de turbina
Comparativa de cinco métodos de ML para cuantificar incertidumbre en temperatura de turbina. Descubre cuál ofrece mejor precisión y confiabilidad.
ML científico para predicción de vida útil restante en motores
Descubre cómo el ML científico predice la vida útil de motores y su temperatura con incertidumbre cuantificada para un mantenimiento inteligente y seguro.
Selección Activa de Tiempos para Aprender Trayectorias de Medidas
Descubre cómo seleccionar los mejores tiempos de medición usando aprendizaje activo y procesos gaussianos para reducir costos en biología unicelular.
Alineación humana, calibración y patrones en la incertidumbre de LLMs
Descubre cómo los LLMs reflejan la incertidumbre humana mediante alineación, calibración y patrones de activación. Un estudio clave para entender y combatir alucinaciones.
Alineación humana y calibración de incertidumbre en LLMs
Descubre cómo las medidas de incertidumbre en tiempo de inferencia se alinean con la incertidumbre humana y mejoran la calibración en grandes modelos de lenguaje.
Fiabilidad Conformal: Nueva Métrica para Generación Condicional
Descubre la nueva métrica de fiabilidad conforme para evaluar modelos generativos. Aprende cómo CReL optimiza el peor caso en generación condicional.
Inferencia Bayesiana Escalable para Leyes de Conservación No Lineales
Aprende cómo la inferencia bayesiana escalable con procesos gaussianos resuelve problemas inversos en segundos, superando a métodos de deep learning.
Predicción de vida útil restante bifurcada: enfoque híbrido
Descubre cómo un enfoque híbrido bifurcado predice la vida útil de motores turbofán, caracterizando incertidumbres realistas para mantenimiento inteligente.
Brecha de consistencia dinámico-probabilística en modelado sustituto caótico
La brecha de consistencia dinámico-probabilística en modelos caóticos se resuelve con KAFFEE. Un marco de filtro de Kalman mejora la predicción.
¿Es suficiente la última capa para cuantificar la incertidumbre?
Descubre por qué la linearización de la última capa ofrece una cuantificación de incertidumbre comparable a la de toda la red, con mucha mayor eficiencia computacional. Estudio teórico y empírico.
No me engañes dos veces: Robots que aprenden de la adversidad en entornos reales
Aprendizaje continuo con modelos de lenguaje y visión permite a robots aprender de adversidades en entornos reales para mejorar predicción y planificación.
Enrutamiento Variacional: Marco Bayesiano Escalable para Transformers MoE
Descubre VMoER, un marco bayesiano que mejora la incertidumbre en MoE con un 94% menos error y solo 1% más de FLOPs.
Predicción de enfermedades infecciosas con grafos estocásticos espacio-temporales
Descubre cómo un nuevo modelo de grafos estocásticos espacio-temporales logra predecir con precisión brotes de COVID-19 y varicela a nivel nacional.
DUAL: Marco eficiente y consciente de incertidumbre para RL offline-online
Descubre el marco DUAL que optimiza el aprendizaje por refuerzo offline a online, mejorando el rendimiento mediante cuantificación de incertidumbre.
AbstainGNN: Enseñando a las GNN a abstenerse en clasificación de grafos
AbstainGNN enseña a las GNN a abstenerse en clasificación de grafos, mejorando la fiabilidad. Descubre su teoría PAC-Bayesiana y resultados.
El Fine-Tuning Mejora la Transmisión de Información en Modelos de Lenguaje
El fine-tuning reorganiza la incertidumbre en modelos de lenguaje, mejorando la transmisión de información. Descubre la métrica Canopy Entropy.
Softmax Recocido Greedy en Bandidos Bayesianos de Muchos Brazos
Softmax Recocido logra arrepentimiento casi óptimo en bandidos Bayesianos, explicando por qué GRPO funciona sin incertidumbre explícita.
TARIC: VLN exterior con memoria aumentada y transitabilidad
Descubre TARIC, navegación exterior VLN que supera interrupciones semánticas con memoria 3D y transitabilidad. Mejora tasa de éxito real al 40% vs 17.5%.
Aprendizaje por transferencia consciente de la incertidumbre para el pronóstico de energía entre edificios: hacia una gestión de energía a nivel de distrito robusta y escalable
Aprendizaje por transferencia consciente de la incertidumbre para pronóstico energético entre edificios. Gestión robusta a nivel de distrito que optimiza el consumo y la eficiencia.