Conformal Bayes con Cambio de Etiqueta: Calibración Post-Hoc vs Adaptación
Descubre cómo restaurar la cobertura nominal en Bayes Conformal ante cambios de etiqueta: comparamos calibración post-hoc y adaptación en entrenamiento.
#post-hoc
Visual-TCAV: Explicabilidad en clasificación de imágenes con mapas de saliencia
Descubre cómo Visual-TCAV combina mapas de saliencia y atribución de conceptos para explicar predicciones en clasificación de imágenes. Más preciso que TCAV.
Atajos en la cola: debiasing con compresión espectral post-hoc
Descubre cómo truncar la cola del SVD de actualizaciones reduce sesgos en modelos de IA sin reentrenar, manteniendo precisión. Método post-hoc efectivo.
Análisis de la teoría de la información para la IA explicable
Analizamos el método MI CAM, que emplea teoría de la información para generar mapas de saliencia en CNNs, logrando explicaciones más precisas y causales.
Marginalización de fase en Vision Transformers: inestabilidad de cuadrícula
Mejora la segmentación y profundidad con marginalización de fase en Vision Transformers. Sin entrenamiento, más precisión.
Ciencia de la IA: estudiar dinámicas de entrenamiento, no arreglar en post
Estudiar la dinámica del entrenamiento, no solo arreglar en postproducción. Descubre cómo predecir, intervenir y diseñar mejores sistemas de IA.
Más allá de la explicación post-hoc: hacia una IA de caja de cristal
Descubre cómo las redes bayesianas permiten una IA transparente y auditable, superando las limitaciones de las explicaciones post-hoc. Un nuevo marco para la responsabilidad algorítmica.
Pruebas metamórficas con Rashomon: fidelidad en explicaciones de ML
Evalúa la fidelidad de explicaciones en machine learning con pruebas metamórficas y el conjunto Rashomon. Sin etiquetas reales, selecciona modelos confiables.
¿Las MLLMs entienden cómo el diseño UI guía al usuario?
Descubre WiserUI-Bench, el benchmark que evalúa si las MLLMs realmente comprenden cómo el diseño UI/UX influye en el comportamiento del usuario a través de pruebas A/B reales.
Valores e asintóticos tipo Bentkus para inferencia más precisa
Los valores e asintóticos tipo Bentkus eliminan el factor faltante, logrando inferencias más precisas y mayores tasas de rechazo en pruebas múltiples.
CaliDist: Calibración de LLMs con Robustez ante Distracciones
Descubre CaliDist, un método post-hoc que calibra LLMs midiendo su estabilidad ante distracciones. Reduce el error de calibración un 70%.
Robustez post-hoc para aprendizaje por refuerzo basado en modelos
Mejora la robustez de agentes de RL en inferencia sin entrenar, usando control predictivo con rollouts adversariales y mitigando problemas fuera de distribución.
Patcher: Reparación post-hoc de modelos de lenguaje con puertas traseras
Descubre cómo Patcher repara modelos de lenguaje con puertas traseras usando solo un fallo reportado. Defensa práctica contra ataques de entrenamiento.
ProbRes: Aprendizaje de volatilidad para pronósticos probabilísticos
Descubre ProbRes: aprende volatilidad para pronósticos probabilísticos precisos en series temporales financieras. Mejora calibración de intervalos.
Procesos Gaussianos de Media Fija para Inferencia Bayesiana Post-hoc en Deep Learning
Descubre cómo FMGP mejora la estimación de incertidumbre en redes profundas pre-entrenadas sin sacrificar precisión, escalando a grandes datasets.
Sesgo tras sesgo: recompensa mecánica en modelos de lenguaje
Los modelos de recompensa en IA tienen sesgos. La recompensa mecánica los mitiga con pocos datos. Optimiza la alineación de modelos de lenguaje.
Latent Reward Steering: Marco Adaptativo para Comportamientos Cognitivos en LLMs
Descubre cómo Latent Reward Steering optimiza el razonamiento de LLMs al promover comportamientos cognitivos implícitos.
Razonamiento CoT en entornos reales no siempre es fiel
Descubre cómo los modelos de IA generan razonamientos contradictorios y aparentemente lógicos. Hasta 13% de fallos en modelos comerciales. El Chain-of-Thought no es siempre fiable.
Calibración sin objetivo ante cambios de distribución con FGR
Descubre cómo FGR mejora la calibración de modelos de IA ante cambios de distribución sin necesidad de datos del destino. Aprende a implementarlo.
CSULoRA: Actualización Segura de Bajo Rango para Modelos de Lenguaje
CSULoRA corrige adaptadores LoRA para evitar que el fine-tuning adversarial dañe la seguridad de los LLMs, preservando la utilidad del modelo. Descubre cómo.