Marco de atribución monosemántica para interpretabilidad clínica estable
Un nuevo marco de atribución monosemántica estabiliza explicaciones en modelos de lenguaje para diagnósticos de Alzheimer, mejorando la confianza.
#interpreta
ELF: Familia de modelos ECG-Lenguaje sin codificador
Descubre ELF, una familia de modelos ECG-Lenguaje sin codificador que supera a modelos complejos con arquitecturas más simples. ¡Resultados impresionantes!
La estructura de la tarea invierte la codificación de estado por capas en modelos secuenciales
Descubre cómo la estructura de la tarea invierte la codificación de estado en modelos como Transformers y Mamba. Un estudio revela patrones opuestos en paridad y Dyck.
Circuitos de consulta: cómo los modelos de lenguaje responden a preguntas
Descubre cómo los circuitos de consulta explican respuestas de modelos de lenguaje usando solo el 1.3% de sus conexiones. Explicaciones fieles y escalables para IA.
Modelos Hoeffding de cuello de botella conceptual para imágenes aéreas
Descubre los modelos Hoeffding de cuello de botella conceptual: explicabilidad no lineal y robusta para imágenes aéreas.
Localización patológica interpretable con haces celulares y atención
Alineamos haces celulares con atención clasificadora para localización patológica interpretable, logrando AUC 0.953 en Camelyon16.
Firmas de morfología para monitoreo y detección ECG interpretable
Descubre cómo firmas de morfología basadas en motivos permiten monitoreo ECG interpretable, detectando cambios sutiles para diagnóstico temprano.
Interpretación de DNNs mediante grupo de renormalización y familia exponencial
Descubre cómo las DNNs entrenadas equivalen al grupo de renormalización en datos de familia exponencial. Una nueva teoría de interpretabilidad.
FedMTFI: Destilación con importancia de características en FL heterogéneo
FedMTFI optimiza el aprendizaje federado heterogéneo con destilación multi-maestro y valores Shapley, mejorando precisión e interpretabilidad.
Destilación interpretable de políticas para control de topología de red
La destilación de políticas de deep RL en árboles de decisión mejora el control de redes eléctricas: mayor recompensa, supervivencia y transparencia.
MobEvolve: Agente Auto-evolutivo para Movilidad Humana Interpretable
Descubre MobEvolve, el primer sistema heurístico auto-evolutivo con agentes que genera trayectorias de movilidad humana interpretables y realistas, superando modelos profundos y LLM.
Detección vs Ejecución: Sondas de un Solo Cúmulo Pierden Mitad del Sumidero de Mamba-2
Las sondas de un solo cúmulo solo detectan una pequeña parte de la ejecución en Mamba-2. La similitud representacional no implica equivalencia funcional. ¡Descúbrelo!
AEyeDE: Un marco de atribución basado en atención para detectar texto generado por IA
Descubre AEyeDE: detecta texto generado por IA con mapas de atención. Mayor precisión y robustez. Señal interpretable.
Haz que la interpretabilidad mecanicista sea auditable
¿Cómo auditar la interpretabilidad mecanicista? Proponemos un sistema de revisión colaborativa continua para generar guías verificadas. Mejora la seguridad en IA.
El problema del ejecutor: alineación según el observador
¿Un fiel albacea o un acceso no autorizado? La alineación de la IA depende de quién observa. Descubre el dilema del ejecutor y su impacto en la gobernanza digital.
Mecanismo SuperActivador: Transformers concentran señales de concepto en cola
Los SuperActivadores: tokens de cola en Transformers que señalan conceptos con alta fiabilidad, mejorando la detección en 0.14 F1. ¡Descubre el mecanismo!
De pesos a código: extrayendo algoritmos interpretables del Transformer Discreto
Extrae algoritmos interpretables de un Transformer Discreto. Descubre cómo convertir pesos neuronales en código legible para una IA más explicable.
ReTabAD: benchmark para restaurar contexto semántico en detección de anomalías
Descubre ReTabAD, el benchmark que restaura el contexto semántico en la detección de anomalías tabulares. Mejora rendimiento e interpretabilidad con LLM.
Circuitos Certificados: Garantías de Estabilidad para Circuitos Mecanísticos
Descubre cómo los circuitos certificados ofrecen estabilidad demostrable en interpretabilidad mecánica: hasta 56% más precisión y 80% menos componentes.
FlagGAM: Modelado Aditivo con Reglas para Predicción Explicable
Descubre FlagGAM: modelo explicable basado en reglas para predicción tabular. Combina precisión y robustez ante datos ruidosos. Ideal para dominios críticos.