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.
#ley
Predicción atmosférica más allá de 30 días con machine learning
Descubre cómo GraphCast, un modelo de machine learning, logra predicciones atmosféricas con un 86% menos de error a 10 días y habilidad más allá de 30 días.
Valores Shapley e interacciones con redes de tensores
Descubre TN-SHAP, un método que acelera valores Shapley e interacciones usando redes de tensores, reduciendo la complejidad exponencial a polinomial.
SurrogateSHAP: Atribución de contribuyentes sin reentrenamiento para modelos T2I
Aprende cómo SurrogateSHAP atribuye contribuyentes en modelos T2I sin reentrenamiento, reduciendo costos y mejorando transparencia.
Escalado temporal universal de 1/3 en distribuciones puntiagudas
El entrenamiento de LLMs converge lentamente por una razón fundamental: softmax y entropía cruzada generan un escalado de pérdida universal 1/3. Descubre las implicaciones.
Datos sintéticos de calidad permiten primeras leyes de escalado para LLMs en recomendación
Descubre cómo datos sintéticos de calidad permiten las primeras leyes de escalado para LLMs en recomendación, superando datos reales.
Estructura y Escala en Modelado de Secuencias Simpliciales
¿Cómo se relacionan las leyes de escalado con las representaciones internas en deep learning? Este estudio revela una correlación entre rendimiento y estructura
Developer Farm obtiene 67.56 en Prueba de Utilidad con IA honesta
Developer Farm obtiene 67.56 en Prueba de Utilidad con una arquitectura IA honesta que evita la Ley de Goodhart. Descubre cómo separan capas y reducen costos.
Presupuesto mínimo de parámetros para razonamiento implícito: ley de escalado
Aprende cómo la complejidad de los datos define el presupuesto mínimo de parámetros para el razonamiento implícito en modelos de lenguaje.
Arquitectura de Computación Nativa de Modelos: El Futuro de los Sistemas
Descubre el marco ICAM para computación nativa de modelos: seis capas, tres leyes y el futuro de los sistemas con LLM.
El código fuente no está oculto, solo debes reenfocar tu lente
Descubre cómo un libro de lógica revela el código fuente del universo. Reenfoca tu lente y explora la distinción primaria.
Soberanía de IA: aprendizaje nacional en Francia, EE.UU. y China
Francia, EE.UU. y China logran soberanía en IA regulando su aprendizaje nacional. Modelo basado en aprendizaje centrado en humanos.
Leyline: Directivas de Caché KV para Inferencia Agentiva
Leyline introduce directivas para editar la caché KV sin re-prefill completo. Reduce latencia hasta 241 ms y mejora tasa de resolución en +14.3 pp.
Cuando datos escasean: escalando modelos dispersos con entrenamiento repetido
Optimiza el escalado de modelos dispersos con datos limitados. Descubre leyes de escalado, saturación retardada y compensaciones clave.
TN-SHAP-G: Red tensorial para Shapley en gráficos
Descubre TN-SHAP-G: calcula valores Shapley en gráficos usando redes de tensores, sin Monte Carlo. Explicabilidad eficiente para modelos complejos.
FedMTFI: Destilación con importancia de características en FL heterogéneo
FedMTFI optimiza el aprendizaje federado heterogéneo con destilación multi-maestro y valores Shapley, mejorando precisión e interpretabilidad.
PatenteXAI: Atribución Shapley jerárquica para valoración de patentes
Aprende cómo PatenteXAI aplica Shapley jerárquico y grafos de conocimiento para valorar patentes de forma eficiente, con resultados precisos en milisegundos. Optimiza tu portafolio.
ProbeScale: Análisis de Sondas para Optimizar Leyes de Escalado en SLMs
Descubre cómo ProbeScale optimiza SLMs mediante análisis de sondas, seleccionando subredes que reducen hasta 10 veces los parámetros sin perder rendimiento.
EPIC: Inferencia paralela y eficiente con CFG en modelos de difusión
Descubre EPIC, un framework que acelera inferencia paralela con CFG en modelos de difusión, reduciendo tiempo 67.5% y overhead 90.5%.
Funciones de Densidad Causal
Descubre cómo las funciones de densidad causal permiten medir efectos causales punto a punto, comparando leyes intervencionales y observacionales con estimadores prácticos.