Recuperación del modelo del mundo en planificadores LLM ajustados
¿Aprenden los LLM a representar el modelo del mundo al planificar? Este análisis revela cómo el ajuste supervisado codifica la validez de acciones y predicados.
#interpreta
AlphaEval: Marco de evaluación integral y eficiente para minería de alfas
Descubre AlphaEval, marco de evaluación unificado y sin backtesting para minería de alfas. Evalúa poder predictivo, estabilidad, robustez y más. ¡Open source!
Optimización automatizada con agentes en coevolución y razonamiento interpretable
Descubre cómo EvoOR-Agent utiliza la coevolución de arquitecturas de agentes y razonamiento interpretable para optimizar procesos complejos con LLMs. Mejora el rendimiento y la interpretabilidad.
PINNfluence: Interpretando PINNs mediante funciones de influencia
Descubre cómo PINNfluence interpreta las redes neuronales físicas informadas usando funciones de influencia para diagnosticar su comportamiento.
Marco robusto y explicable con Transformers para detectar phishing
Descubre cómo un marco basado en Transformers usa entrenamiento adversarial y explicabilidad (LIME, SHAP, IG) para detectar phishing en correos de forma fiable.
Autointerpretación: adaptadores ligeros entrenados en pares vector-etiqueta
Cómo adaptadores ligeros entrenados en pares vector-etiqueta logran autointerpretación que supera etiquetas y revela razonamiento implícito.
Circuitos Probabilísticos Neuronales Causales
CNPC combina redes neuronales con circuitos causales para intervenciones precisas, mejorando la exactitud en modelos de caja de conceptos. ¡Resultados superiores!
SleepVLM: Etapas del sueño explicables con modelo visual-lenguaje
SleepVLM clasifica etapas del sueño con explicaciones basadas en reglas AASM, logrando alto rendimiento y transparencia para uso clínico.
Representaciones Coherentes: Enfoque Topológico para Interpretabilidad
Nueva técnica: coherencia geométrica para interpretar redes neuronales. Aplicaciones en BERT y autoencoders.
HiSE: Explicador Semántico Jerárquico Ligero para Grafos Heterogéneos
HiSE es un explicador ligero para redes neuronales de grafos heterogéneos con explicaciones semánticas jerárquicas de alta fidelidad y bajo costo.
Reveal-IG: Atribución por caminos distribucionales
Reveal-IG: atribución basada en caminos distribucionales. Atribuciones estables con signo sin artefactos. Ideal para explicabilidad en IA.
Poblaciones neuronales: selectividad divergente con la escala
Un estudio revela cómo las neuronas en modelos de IA se vuelven más especializadas y menos compartidas a medida que crece el tamaño del modelo. Descubre el efecto de polarización neuronal.
TIDFormer: explotando dinámica temporal e interactiva en grafos dinámicos
Descubre cómo TIDFormer revoluciona el análisis de grafos dinámicos con su mecanismo de atención eficiente e interpretable, superando modelos previos.
Sondas Lineales Detectan el Formato de la Tarea, No el Razonamiento
¿Las sondas lineales detectan razonamiento o formato? Un estudio revela que la precisión en LLMs se explica por confusores de formato, no por modos de razonamie
Cuantización y características interpretables: análisis con autoencoders dispersos
La cuantización no destruye todas las características interpretables: un análisis revela que el 62% persiste en INT6, pero las métricas engañan.
HiPPO Zoo: Memoria Explícita para Modelos de Estado Interpretables
Descubre cómo las extensiones del framework HiPPO ofrecen memoria adaptativa y asociativa en modelos de espacio de estado, manteniendo la interpretabilidad. Un
Descubrimiento progresivo de leyes físicas basado en datos
CoSR descubre progresivamente leyes físicas desde datos, imitando el método científico. Aplicaciones en turbulencia, flujos y aerodinámica.
El grupo de referencia invierte conclusiones en Oaxaca-Blinder
Descubre cómo la elección del grupo de referencia en la descomposición Oaxaca-Blinder puede revertir conclusiones clave. Aprende a evitar errores y mejorar tu análisis.
Clasificación bayesiana con proceso Gaussiano Split-and-merge para BCI
Descubre cómo el nuevo modelo bayesiano P-SMGP mejora la clasificación de señales EEG en BCI, reduciendo costos computacionales y ofreciendo interpretabilidad.
Descubrimiento de señales con ML sin modelo: uniendo teoría y práctica
Descubre cómo las técnicas de Machine Learning permiten buscar señales sin depender de modelos teóricos, aumentando el potencial de descubrimiento.