Efectos individualizados del tratamiento en ictus isquémico agudo con TRAM-DAG
Descubre cómo el modelo TRAM-DAG estima el beneficio individual de la trombectomía en ictus, validado con ensayos clínicos. Personalización del tratamiento
#modelos causales
Modelos Causales Estructurales Relacionales
Modelos causales relacionales para IA: razonamiento sobre intervenciones y generalización a objetos no vistos. Aprende su implementación con redes neuronales.
Modelos Causales Relacionales para la Inteligencia Artificial
Los Modelos Causales Estructurales Relacionales amplían la causalidad a objetos y relaciones variables. Aprende cómo se identifican consultas causales y
Atribución de Características en DAGs con Intervención en Aristas
Descubre DAG-SHAP: atribución en DAGs con intervención en aristas. Captura influencias externas y exógenas para mayor explicabilidad.
De la correlación a la causalidad en predicción de cambios de carril
Descubre cómo un marco de inferencia causal supera la correlación tradicional para predecir cambios de carril en vehículos autónomos, logrando un 95% de
Modelos causales centrados en objetos para planificación con MCTS
Descubre COMET, un algoritmo que combina modelos centrados en objetos y MCTS para planificación eficiente. Supera a métodos tradicionales en entornos visuales complejos.
Semi-Bandit Combinatorio en Grafos con Recompensas No Lineales
Descubre cómo optimizar la exploración en datos complejos con estrategias adaptativas y garantías teóricas. Resultados en datos de transporte reales.
WorldKernel: el núcleo de acoplamiento de mundos posibles
Los predictores fallan al cuantificar la incertidumbre entre mundos contrafactuales. Descubre cómo el kernel de acoplamiento resuelve el enigma de la inferencia causal.
¿Importa la normalización en modelos causales grandes de series temporales?
Evaluamos el impacto de distintas normalizaciones en modelos causales de series temporales con transformers. Resultados clave para forecasting.
Causal Agent Replay: Atribución Contrafactual de Fallos en Agentes LLM
Descubre Causal Agent Replay, el método que identifica exactamente qué paso causó un fallo en tu agente LLM, con intervalos de confianza y código abierto.
REGEN: Generación Sintética de Series Temporales Multivariantes Guiada por Referencias
Descubre ReGeN, un generador que crea series temporales sintéticas de alta calidad usando referencias como andamios estructurales. Ideal para datos escasos.
Descubrimiento escalable de causalidad de anomalías en grandes sistemas
Descubre cómo AnomalyCD logra eficiencia computacional en el descubrimiento de causalidad de anomalías en grandes sistemas usando datos binarios. Mejora precisión y reduce costos.
Reconciliando causalidad y termodinámica con modelos causales hamiltonianos
Nuevos modelos causales hamiltonianos reconcilian causalidad y termodinámica de no equilibrio. Aprende cómo miden la irreversibilidad en sistemas físicos.