AttnRegDeepLab: Clasificación interpretable de fragmentación embrionaria
Descubre AttnRegDeepLab, un marco de IA que combina segmentación y clasificación para evaluar fragmentación embrionaria con precisión clínica y explicabilidad.
#interpreta
Generalización entre prompts en detección de noticias falsas generadas por IA
Descubre cómo las características lingüísticas interpretables permiten detectar noticias falsas generadas por IA, incluso cuando cambian los prompts. Resultados con AUC casi perfecto.
Modelos de Cuello de Botella Conceptual con Atención Espacial por Partes
Un nuevo modelo de IA con atención factorizada por partes alcanza un 70% de precisión de apuntado, casi igualando a la supervisión completa. Mejora la interpretabilidad en visión por computadora.
Composiciones Shapley para predicciones probabilísticas
Descubre cómo las composiciones Shapley explican predicciones probabilísticas multiclase usando la geometría de Aitchison. Un enfoque riguroso y axiomático.
Las características de agregación fija pueden rivalizar con las GNN
Las FAFs convierten el aprendizaje en grafos en problemas tabulares, rivalizando con las GNNs sin entrenamiento. Mayor interpretabilidad.
Regresión polinómica bagged y redes neuronales
Descubre cómo la regresión polinómica en bolsas iguala precisión de redes neuronales en predicción ambiental, con transparencia y diagnósticos intuitivos.
Inclusion-of-Thoughts: Mitigando la inestabilidad de preferencias en LLMs
Inclusion-of-Thoughts (IoT) estabiliza respuestas de LLMs en opción múltiple filtrando distractores, mejorando razonamiento e interpretabilidad con mínimo coste.
VentAgent: Arbitraje multiobjetivo con LLM para ARDS
Descubre VentAgent, un marco jerárquico que usa LLM para arbitrar objetivos contrapuestos en ventilación para ARDS, ofreciendo interpretabilidad y seguridad.
Robustez de modelos vía información de Fisher: límites y algoritmos
Descubre cómo medir la robustez de modelos de IA con la información de Fisher, una métrica atacable-agnóstica que predice vulnerabilidad adversarial. Guía teórica y práctica.
Atribución de datos en LLMs mediante gradiente bidireccional
Descubre cómo la optimización de gradiente bidireccional permite atribuir datos de entrenamiento en LLMs, mejorando la interpretabilidad y accountability de los sistemas de IA.
Modelos MoE dispersos: expertos interpretables para preferencias personalizadas
Descubre cómo los modelos MoE dispersos aprenden expertos especializados e interpretables para modelar preferencias humanas personalizadas sin coste adicional d
Midiendo lo relevante: Benchmarks sintéticos para modelos de cuello de botella
Aprende cómo los benchmarks sintéticos optimizan los modelos de cuello de botella de conceptos para apoyo a la decisión y automatización.
ChatHealthAI: Alineando EHR y LLMs para razonamiento clínico
ChatHealthAI integra registros médicos electrónicos con modelos de lenguaje para lograr razonamiento clínico interpretable y preciso. Descubre cómo.
Más allá de la respuesta correcta: el sobrepensamiento dañino en modelos de razonamiento
Descubre cómo los modelos de IA con razonamiento extendido pueden desviarse tras alcanzar la respuesta correcta, y cómo detenerse a tiempo mejora la precisión hasta un 21%.
Destilación de reglas ASP desde LLMs para VQA neurosimbolico
Aprende a destilar reglas de programación lógica desde LLMs para VQA interpretable, con solo pocos ejemplos. Alternativa eficiente al aprendizaje de reglas tradicional.
IdiomX: Benchmark multilingüe para comprensión y recuperación de modismos
IdiomX es un benchmark multilingüe con 190K ejemplos para evaluar comprensión, recuperación e interpretación de modismos en inglés, árabe y francés.
Construyendo Mejores Oráculos de Activación
Descubre cómo mejoramos los Oráculos de Activación: reducimos alucinaciones y vaguedad. Presentamos AObrench, el primer conjunto de evaluación completo.
SAIL: Intérpretes Abstractos Sólidos con LLMs
Descubre cómo SAIL utiliza LLMs para sintetizar transformadores abstractos sólidos y precisos en verificación de redes neuronales. Un avance en interpretación abstracta automática.
RNN factorizado de bajo rango para dinámicas neuronales independientes
Descubre cómo el nuevo modelo FacRNN desenreda dinámicas neuronales latentes para una interpretabilidad sin precedentes en neurociencia computacional.
AnchorMoE: Clasificación de Series Temporales con MoE Enrutado por Anclajes
Clasificación interpretable de series temporales con AnchorMoE: transparencia ante-hoc sin post-hoc. Ideal para diagnóstico clínico y detección de fallos.