Donde vive el score: visión wavelet de la difusión
Descubre cómo el análisis con wavelets revela los atributos clave de los datos en modelos de difusión. Un enfoque interpretable para la función score.
#interpreta
Inferir forzamiento oculto en oscilador biológico con redes Kolmogorov-Arnold
Descubre cómo las redes Kolmogorov-Arnold infieren forzamiento oculto en osciladores biológicos a partir de datos parciales.
Inferencia de forzamiento oculto en oscilador con redes KAN
Las redes Kolmogorov-Arnold infieren fuerzas ocultas en la respiración aviar a partir de presión. Validadas con electromiografía, revelan patrones sorprendentes.
Proyección Jerárquica para Transferencia Adaptativa de Conocimiento
Descubre ProjectionTL, un marco unificado que integra modelado bayesiano jerárquico con proyección adaptativa para transferencia selectiva de conocimiento entre dominios.
Desentrañando vías de riesgo latentes con inferencia bayesiana de hipergrafos
La inferencia bayesiana de hipergrafos desentraña vías de riesgo ocultas en historiales clínicos, mejorando la predicción de enfermedades raras con incertidumbre calibrada. ¡Léelo!
Cabezas de vector de función: escritores y canceladores en aprendizaje en contexto
Un estudio revela que las cabezas de vector-función se dividen en escritores y canceladores, con roles opuestos en aprendizaje contextual. Conoce su impacto.
Regresión Neuro-Simbólica Descomponible: Modelos Interpretables
Descubre cómo la regresión neuro-simbólica combina transformers y algoritmos genéticos para crear modelos interpretables que revelan ecuaciones ocultas.
Importancia Desenredada de Características (DFI)
Descubre Disentangled Feature Importance (DFI): un marco que desenreda señales predictivas compartidas entre variables dependientes para una atribución estable e interpretable.
Análisis de la teoría de la información para la IA explicable
Analizamos el método MI CAM, que emplea teoría de la información para generar mapas de saliencia en CNNs, logrando explicaciones más precisas y causales.
Enmascaramiento Espacial por Energía: Robustez e Interpretabilidad en Visión
Descubre cómo ERSM mejora la robustez e interpretabilidad de modelos de visión al reducir redundancias y aislar objetos.
Predicción Regulatoria de ADN con Razonamiento Biológico Interpretable
Descubre cómo R3LM combina biología y LLMs para predecir actividad regulatoria del ADN con explicaciones interpretables. Mejora la predicción de enhancers.
Características latentes en LLMs: alineando semántica y mecanismos
Nuevo método no supervisado identifica modos de continuación en LLMs alineando semántica y atribuciones mecanicistas para auditar mecanismos internos.
Reidentificación semántica zero-shot para conducción autónoma con VLM
Los VLMs permiten reidentificar objetos en conducción autónoma mediante descripciones semánticas zero-shot, con rendimiento comparable a CNN y mayor interpretabilidad.
scTransformer: atención de Transformer guiada por regulación genética
scTransformer: integra regulación genética en Transformers para análisis scRNA-seq interpretable. Mejora clasificación celular.
Dual topológico en AlphaGeometry: lógica a topología
Descubre cómo el dual topológico de un dataset transforma la interpretabilidad de modelos neuro-simbólicos, revelando invariantes estructurales en el razonamiento de AlphaGeometry.
Atribución Mecanicista de Datos: Rastreando Orígenes de Entrenamiento en LLM
Descubre cómo la atribución mecanicista de datos rastrea el origen de las unidades interpretables en LLM y acelera su convergencia.
Destilación de heurísticas de lectura para trazas de manipulación
Aprende cómo los robots superan la lectura errónea de video con destilación en bucle cerrado para predecir acciones exitosas.
Reenlace condicionado por recuperación en LLMs para seguimiento de entidades
Los LLMs usan circuitos de reenlace condicionado para rastrear entidades y actualizar atributos. Intervenciones causales.
Query Lens: cómo interpretar características dispersas con efectos indirectos
Descubre Query Lens, un nuevo método que va más allá de Logit Lens para interpretar características de autoencoders dispersos, considerando efectos indirectos y la hipótesis del subespacio.
Ciencia de la IA: estudiar dinámicas de entrenamiento, no arreglar en post
Estudiar la dinámica del entrenamiento, no solo arreglar en postproducción. Descubre cómo predecir, intervenir y diseñar mejores sistemas de IA.