Marco unificado guiado por evaluación para optimizar prompts según consultas
Descubre marco optimización prompts que utiliza evaluación unificada para mejorar calidad respuestas por consulta. Resultados interpretables y consistentes.
#interpreta
Prototype Transformer: hacia modelos interpretables por diseño
ProtoT usa prototipos para modelos de lenguaje interpretables, permitiendo transparencia y ediciones dirigidas.
Memoria Rashomon: Recuperación Multi-Perspectiva con Argumentación
Descubre Rashomon Memory: una arquitectura que permite a agentes de IA manejar interpretaciones conflictivas mediante argumentación. Recuperación multi-perspectiva.
UI-in-the-Loop: el paradigma que une pantalla y acción en GUIs
Descubre UI-in-the-Loop (UILoop), nuevo paradigma que permite razonar sobre GUIs de forma interpretable, mejorando comprensión y acción.
Modelo fundacional para datos de movimiento en salud mental
Explora PAT, un modelo fundacional open source para datos de wearables que mejora hasta un 55% la predicción de salud mental, con mapas de atención interpretables.
Descubriendo vulnerabilidades en LLMs con evolución calidad-diversidad
Nuevo método evolutivo basado en MAP-Elites revela vulnerabilidades específicas en modelos como GPT-4o y Claude, mejorando la seguridad y robustez de los LLMs.
Descifrando el razonamiento latente: intervención guiada por interpretabilidad
Descubre cómo intervenir en el razonamiento latente de los LLM para mejorar su precisión sin actualizar parámetros. Guía basada en interpretabilidad.
ShaplEIG: Diseño Experimental Bayesiano para Estimar el Valor Shapley
Mejora la precisión al estimar valores Shapley con pocas evaluaciones. ShaplEIG usa diseño bayesiano para selección adaptativa de coaliciones. Ideal para costos.
Arquitectura dualencoder con fusión Choquet en clasificación acústica submarina
Descubre cómo la nueva arquitectura dual-encoder con fusión Choquet mejora la clasificación acústica submarina, ofreciendo precisión e interpretabilidad.
Cómo la optimalidad estructura diccionarios dispersos: teoría SAE
Descubre cómo la teoría de optimalidad explica el comportamiento de los Autoencoders Dispersos (SAE) y sus diccionarios dispersos. Mejora la interpretabilidad de las representaciones neuronales.
Método corrige localización de circuitos con retropropagación consciente
Aprende cómo GIM, un nuevo método de retropropagación, mejora la localización de circuitos en modelos de lenguaje al tener en cuenta interacciones.
DPsurv: Fusión evidencial de doble prototipo para predicción de supervivencia
DPsurv utiliza fusión evidencial de doble prototipo para predecir supervivencia en imágenes patológicas, ofreciendo interpretabilidad y medición de incertidumbr
OncoReason: razonamiento clínico en LLMs para predicción de supervivencia
Nuevo marco OncoReason alinea LLMs con razonamiento clínico para predicción de supervivencia robusta e interpretable. Mejora F1 un 6% y reduce MAE un 12%.
Interpreto: Biblioteca de Explicabilidad para Transformers
Interpreto: biblioteca Python de código abierto para explicar modelos transformer de HuggingFace. Ofrece atribuciones y explicaciones por conceptos para clasifi
Reducción de dimensionalidad que preserva la geometría para datos composicionales
Descubre un nuevo método de reducción de dimensionalidad que preserva la geometría y es interpretable, ideal para datos composicionales con ceros. Visualización dual y análisis de microbiomas.
Clasificación multi-cáncer con redes Kolmogorov-Arnold interpretables
Descubre MOGKAN, una red profunda interpretable que logra 96.28% de precisión en clasificación de 31 tipos de cáncer usando datos multi-ómicos y redes PPI.
AdaptiveK: Autoencoders Dispersos por Complejidad
AdaptiveK ajusta dinámicamente la esparcidad según la complejidad semántica, mejorando interpretabilidad y reconstrucción de modelos de lenguaje.
Aprendizaje auto-supervisado interpretable con Representer Landmarks
Aprende cómo KREPES analiza representaciones de aprendizaje auto-supervisado, detecta sesgos y cuantifica transparencia con nuevas métricas. Perfecto para entender modelos de IA.
La interpretabilidad en modelos de series temporales profundos exige alineación semántica
Descubre cómo la alineación semántica revoluciona la interpretabilidad en modelos de series temporales profundos, mejorando la confianza y la toma de decisiones.
Autoencoder Disperso a Nivel de Paso para Interpretar Razonamiento
Descubre cómo el autoencoder disperso a nivel de paso (SSAE) desentraña el razonamiento de los LLMs, revelando información sobre corrección y lógica. Ideal para interpretabilidad en IA.