Explicaciones contrafactuales para pruebas de dos muestras profundas
Las explicaciones contrafactuales revelan qué características diferencian dos grupos en pruebas de hipótesis con deep learning. Un método basado en MMD y autoen
#presentaciones
Representaciones Bayes-Suficientes en Aprendizaje Supervisado
Descubre cómo las representaciones Bayes-suficientes preservan la información relevante para la predicción óptima. Incluye experimentos con iNaturalist.
Embeddings Simpliciales mejoran eficiencia en agentes Actor-Critic
Descubre cómo los embeddings simpliciales mejoran la eficiencia muestral en Actor-Critic, acelerando el entrenamiento sin pérdida. Resultados: TD3, SAC, PPO.
TamperBench: Evaluación de seguridad en LLM bajo ajuste y manipulación
Descubre TamperBench, el primer marco unificado para evaluar la resistencia de LLMs a manipulaciones y ajustes finos. Resultados clave y código abierto.
¿Pueden los LLMs generalizar procedimientos entre representaciones?
Descubre cómo un currículo de RL permite a LLMs generalizar procedimientos entre código y lenguaje natural, igualando a GPT-4o.
Revisitando el Model Stitching en la Era de los Modelos Base
El model stitching ya no es solo un diagnóstico: descubre cómo unir modelos de visión heterogéneos para mejorar precisión y eficiencia en LLMs multimodales.
KODA: Comparación y alineación de representaciones en modelos visión-lenguaje
KODA compara y alinea representaciones de modelos visión-lenguaje como CLIP y SigLIP usando kernels. Identifica discrepancias estructurales interpretables.
Consistencia Temporal de Memoria Episódica en MARL Cooperativo
EMTC mejora la consistencia temporal en memoria episódica para MARL cooperativo, superando cuellos de botella y logrando hasta un 28% de mejora en benchmarks.
Más allá de simetrías: conectividad lineal vía identificabilidad neuronal
Descubre cómo la identificabilidad de neuronas permite fusionar representaciones sin alineación previa, revelando nuevas conexiones en el deep learning.
La pérdida no basta: condiciones de muestreo y sesgo inductivo
La pérdida no basta en aprendizaje contrastivo. Condiciones de muestreo y sesgo inductivo determinan la recuperación de representaciones latentes.
RePercENT: Escalando desenredo de representaciones multi-modal
Descubre RePercENT, un marco auto-supervisado que escala el desenredo de representaciones a múltiples modalidades sin pre-entrenamiento, reduciendo costos computacionales.
PointAction: Puntos 3D como representaciones universales de acciones para robots
PointAction transforma videos en acciones robóticas precisas usando puntos 3D dinámicos. Descubre cómo este marco reduce la ambigüedad y generaliza entre tareas y robots.
De lo simbólico a lo geométrico: razonamiento espacial en LLMs
Descubre cómo el nuevo SLM integra representaciones geométricas para lograr razonamiento espacial real en LLMs, superando métodos simbólicos tradicionales.
M³Eval: Evaluación de Memoria Multimodal con Tareas de Video Cognitivas
M³Eval: primer benchmark que evalúa la memoria en modelos multimodales con tareas de video cognitivas. Descubre sus debilidades.
GeM-NR: Edición multivista con conciencia geométrica para cambios no rígidos
Descubre GeM-NR, un método innovador para editar imágenes multivista con cambios drásticos de geometría y apariencia, sin necesidad de entrenamiento previo. Mejora la consistencia en escenas 3D.
Descomponiendo cómo el prompting guía el comportamiento
Descubre cómo las instrucciones transforman las representaciones internas de la IA. Un estudio revela la geometría detrás del comportamiento inducido.
Tokens de Percepción Imaginativa Mejoran Razonamiento Espacial
Los Tokens de Percepción Imaginativa (IPT) mejoran el razonamiento espacial en modelos multimodales sin generar imágenes. Aumento del 3.4% en precisión en conteo multivista.
Evidencia causal de representaciones de pila en modelos de contadores con transformers
Estudio revela que representaciones de pila en transformers son causalmente necesarias para lenguajes contadores. Evidencia empírica crucial.
Representaciones Laplacianas para Planificación en Tiempo de Decisión
Descubre cómo las representaciones Laplacianas mejoran la planificación en tiempo de decisión en RL, descomponiendo problemas complejos en subobjetivos. El algo
Aprendizaje de DNF mediante representaciones generalizadas de Fourier
Descubre cómo las representaciones generalizadas de Fourier permiten aprender DNF bajo distribuciones no producto. Un avance clave en teoría del aprendizaje automático.