FUSAR-GPT: VLM con características espacio-temporales para imágenes SAR
Descubre FUSAR-GPT, el modelo de lenguaje visual que integra características espacio-temporales para mejorar la interpretación de imágenes SAR en más del 10%.
#interpreta
UNIVID: modelo unificado de lenguaje visual para moderación de video
Descubre UNIVID, el modelo que unifica visión y lenguaje para moderar videos con precisión, interpretabilidad y eficiencia, reduciendo violaciones y costos.
Cabezas CoRe: eficiencia estructural en LLMs multimodales
Descubre cómo las cabezas CoRe en LLMs multimodales logran eficiencia: al eliminar solo el 5% se degrada el rendimiento, pero su uso acelera la inferencia. Una clave para la optimización.
Corrige la mente, no la acción: IA interpretable
Descubre SENSEI, IA interpretable que localiza y corrige conceptos erróneos para mejorar el rendimiento a largo plazo. ¡Corrige la mente!
Corrige la mente, no el movimiento: Asistencia IA interpretable localiza brechas
SENSEI: Asistencia IA que localiza y corrige tus conceptos erróneos, no solo tus acciones. Mejora tu rendimiento a largo plazo. 90% de éxito.
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!
Aprendizaje de operadores solución de EDP con aproximación dispersa
Descubre cómo los métodos de aproximación dispersa reducen muestras para operadores de EDP, mejorando eficiencia e interpretabilidad
Atribución de características fiable y completa vía dominio de la frecuencia
Descubre FreqX: método de interpretabilidad para aprendizaje federado que ofrece atribución y conceptos usando señales y teoría de la información. 10x más rápido.
Atribución fiable e integral para múltiples modalidades mediante frecuencia
FreqX ofrece atribución fiable y rápida con información conceptual para modelos diversos en aprendizaje federado. ¡Más de 10 veces más rápido!
Concept-SAE: interfaz controlable e invertible para SAEs
Concept-SAE: controla y edita conceptos en redes neuronales, mejorando interpretabilidad y detectando ataques adversariales. ¡Descúbrelo!
Concept-SAE: Interfaz de Conceptos Controlable e Invertible
Descubre cómo Concept-SAE controla conceptos específicos en modelos de IA, mejorando interpretabilidad y detección adversarial.
¿Las MLLMs entienden cómo el diseño UI guía al usuario?
Descubre WiserUI-Bench, el benchmark que evalúa si las MLLMs realmente comprenden cómo el diseño UI/UX influye en el comportamiento del usuario a través de pruebas A/B reales.
Fundamentado pero engañoso: Evaluando alineación semántica en seguridad IA
¿Son confiables las explicaciones de seguridad IA? Descubre la ilusión de fundamentación y la importancia de la alineación semántica.
La selectividad de patrones no es causalidad en LLMs
¿Los patrones selectivos indican causalidad? Este estudio mecanicista entre modelos de 1B revela que no. Compara Pythia, OLMo y OLMoE en tareas compuestas.
Explicabilidad de LLM mediante Cadenas Contrafactuales y Grafos Causales
Descubre cómo los grafos causales y las cadenas contrafactuales revelan el razonamiento interno de los LLM, mejorando la transparencia y la interpretabilidad en tareas de clasificación.
Modelado de exacerbación de asma infantil a partir de múltiples factores de riesgo
Descubre cómo modelos interpretables predicen exacerbaciones de asma infantil en Virginia costera combinando contaminación, clima y factores socioeconómicos. Es
Autoencoders Dispersos Conscientes del Subespacio para Interpretabilidad Mecanicista
Descubre cómo SASA mejora la interpretabilidad de LLMs reduciendo la fragmentación de características y usando la mitad de los tokens de entrenamiento.
Fog of Love: Agentes virtuosos con aprendizaje por refuerzo basado en afinidad
Descubre cómo la afinidad localizada mejora el aprendizaje por refuerzo para crear agentes de IA virtuosos en el juego Fog of Love. Resultados superiores.
Explicaciones contrafactuales para pruebas de dos muestras profundas
Las explicaciones contrafactuales revelan qué características diferencian dos grupos en pruebas de hipótesis con deep learning. Un método basado en MMD y autoen
MedForge: Detección interpretable de deepfakes médicos con razonamiento forense
MedForge detecta deepfakes médicos con explicaciones confiables y razonamiento forense para proteger la seguridad clínica.