Atención Consistente en Preguntas Visuales Médicas con Modelos Base
Aprende cómo la atención consistente guiada por modelos base de visión optimiza el diagnóstico en radiografías de tórax con preguntas visuales longitudinales.
#interpreta
Dentro de la mente visual: circuitos de concepto para Vision Transformers
Descubre cómo ViSAE usa circuitos de concepto inspirados en neurociencia para interpretar y guiar Vision Transformers, mejorando precisión y confianza.
Redes residuales de unidades de producto para interacciones no lineales
Descubre PURe: redes residuales que modelan interacciones no lineales, mejoran robustez y eficiencia en datos reducidos, y ofrecen interpretabilidad con SHAP.
Resistencia Endógena a la Dirección de Activación en Modelos de Lenguaje
Los modelos de lenguaje pueden resistir manipulaciones internas. Descubre cómo funciona la resistencia endógena y sus implicaciones para la seguridad.
Algoritmos interpretables descompilando Transformers a RASP
Descubre cómo descompilar Transformers a RASP revela algoritmos interpretables. Un método innovador para entender la generalización de longitud en IA.
TRUE: Marco confiable unificado para explicar el razonamiento de LLM
Descubre TRUE: un marco que unifica verificación ejecutable, diagramas DAG de regiones factibles y análisis causal de fallos para hacer el razonamiento de los LLM más interpretable y confiable.
Principios y práctica del aprendizaje profundo de representaciones
Descubre cómo el aprendizaje profundo de representaciones abre la caja negra de las redes neuronales. Principios, teoría matemática y aplicaciones prácticas.
Corrección estructurada para inferencia bayesiana en imágenes cerebrales
Descubre cómo mejora la reconstrucción cerebral con aprendizaje de correcciones estructuradas, preservando la interpretabilidad bayesiana.
Expertos lineales diminutos con puertas dispersas
Descubre cómo los expertos lineales diminutos con puertas dispersas (sgatlin) mejoran la eficiencia e interpretabilidad de los modelos de lenguaje, sin aumentar costo.
Expertos lineales diminutos con activación dispersa
Descubre cómo sgatlin, expertos lineales diminutos con activación dispersa, mejora la eficiencia y la interpretabilidad de los modelos transformer. Una nueva vía hacia IA más comprensible.
Regresión Fréchet de Índice Único Profundo
Descubre DeSI: una técnica de regresión semiparamétrica que combina redes neuronales profundas con un índice interpretable para predecir en espacios métricos como distribuciones y matrices.
Factorización interpretable para identificar factores latentes de psicopatología
Descubre cómo la factorización interpretable de cuestionarios clínicos revela factores latentes en psicopatología y mejora el diagnóstico.
Actor-Critic con Kernel Guiado por SHAP para Aprendizaje por Refuerzo Explicable
Mejora la interpretabilidad del aprendizaje por refuerzo con RSA2C, un algoritmo kernelizado que usa atribuciones SHAP para entrenar actores y críticos con estabilidad y eficiencia.
Una visión geométrica para comprender conceptos en autoencoders dispersos
Explora cómo la geometría revela el aprendizaje de conceptos en autoencoders dispersos y permite interpretar neuronas de forma clara.
Sumidero de Atención en Transformers: Revisión Uso Interpretación Mitigación
Descubre qué es el sumidero de atención en Transformers, cómo afecta a la IA y las estrategias para mitigarlo en esta revisión completa.
Alineación de señales acústicas en modelos de audio para emociones
Descubre cómo la alineación de señales acústicas mejora el reconocimiento de emociones en modelos de lenguaje de audio. Resultados en FAU-Aibo e IEMOCAP.
IA interpretable para estudios de osteoartritis de rodilla
Descubre cómo un marco de IA interpretable y confiable utiliza aprendizaje profundo y predicción conforme para estudiar la relación estructura-dolor en la osteoartritis.
Marco de IA interpretable para estudios estructura-dolor en osteoartritis
Descubre cómo un marco de IA interpretable y confiable analiza miles de resonancias para predecir dolor y progresión en osteoartritis de rodilla.
Reconocimiento propio en LLM: firma de activación y guiado
Descubre cómo los LLMs pueden reconocer sus propias salidas mediante firmas de activación internas, logrando una atribución precisa sin degradar la calidad del texto.
De la puntuación a las explicaciones: Evaluando SHAP y LLM en evaluación docente
Descubre cómo SHAP y LLM explican las puntuaciones automáticas en evaluación docente. Análisis de fidelidad y transferibilidad en el marco CLASS.