Destilación de reglas ASP desde LLMs para VQA neurosimbolico
Aprende a destilar reglas de programación lógica desde LLMs para VQA interpretable, con solo pocos ejemplos. Alternativa eficiente al aprendizaje de reglas tradicional.
#respuestas
Autoevaluación Agrupada: Método Simple para Incertidumbre en LLMs
Aprende cómo la autoevaluación por clusters permite a los LLMs medir su incertidumbre con solo dos muestras, mejorando la confiabilidad de sus respuestas.
DTKG: Razonamiento dual con grafos de conocimiento para QA multi-salto
Descubre DTKG, un marco que combina verificación de hechos y cadenas en grafos de conocimiento para responder preguntas multi-salto con alta precisión.
A quién y qué preguntar: elicitación grupal adaptativa con LLM
Descubre cómo un enfoque adaptativo con LLM y redes neuronales predice opiniones grupales con solo el 10% de encuestados.
BYORn: Genera tus propias respuestas para defender modelos de visión-lenguaje
Descubre BYORn, método que protege modelos visión-lenguaje durante fine-tuning contra ataques backdoor, mejorando robustez.
Respuesta a preguntas 3D Zero-Shot mediante transporte jerárquico de vista a token
Descubre cómo KeyVT optimiza la selección de vistas y tokens para responder preguntas sobre escenas 3D sin entrenamiento, superando a métodos existentes.
Auditoría de Contratos Inteligentes con LLM Ligero vía Destilación y Agregación
Descubre un marco ligero de LLM con destilación y agregación logra un 98.25% de precisión en auditoría de contratos inteligentes, superando modelos grandes.
InFerActive: Exploración interactiva en árbol para seguridad de LLM
InFerActive: árbol interactivo para evaluar seguridad de LLMs. Reduce hasta 5x las muestras necesarias y mejora la cobertura de respuestas dañinas.
Agentes IA: respuestas confiadas pero incorrectas, el rol de la capa de contexto
Los agentes de IA fallan con respuestas seguras pero incorrectas. La capa de contexto de Snowflake (Horizon y Cortex Sense) es la clave para la precisión empresarial.
Parada Bayesiana Óptima para Respuestas Consistentes de LLMs
Descubre cómo la parada bayesiana óptima permite obtener respuestas consistentes de LLM usando menos muestras, ahorrando hasta un 50% en costos de inferencia.
Dialéctica del alineamiento: conocimiento inseguro para enrutamiento dinámico
SafeMoE aprovecha conocimiento inseguro para respuestas seguras e informativas, superando en un 20% la tasa de seguridad. Un nuevo paradigma en alineamiento.
Dataset REST-ASMR: fotopletismografía y respuestas conductuales
Descubre REST-ASMR, un dataset multimodal que combina fotopletismografía y anotaciones subjetivas para predecir estados ASMR con alta precisión. Ideal para IA afectiva.
Asimetrías de fiabilidad en búsquedas factuales chinas y respuestas IA
Estudio evalúa la fiabilidad de motores de búsqueda y asistentes IA al responder preguntas factuales en chino, revelando diferencias clave.
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.
Multi-respuesta: clave para generalización en modelos de lenguaje
Descubre cómo el entrenamiento con múltiples respuestas mejora la generalización de modelos de lenguaje, evitando la lotería de modos. Guía práctica.
ODTQA-FoRe: dataset para preguntas tabulares y pronóstico
Descubre ODTQA-FoRe, el primer dataset para preguntas tabulares con predicción futura. TimeFore combina LLM y modelos de series temporales para pronósticos precisos en datos inmobiliarios.
Resolviendo problemas de construcción de respuestas con Lean formalmente
Descubre cómo el marco ECP combina LLMs y Lean para resolver problemas de construcción de respuestas con pruebas formales verificadas.
Límites de los LLM al inferir significado pragmático de respuestas no verbales
Descubre los límites de los grandes modelos de lenguaje al interpretar el significado pragmático de respuestas no verbales. Un estudio revela caídas de precisión de hasta el 60%.
SPADER: Recompensas de Exploración con Diversidad para QA Multi-Respuesta
SPADER utiliza aprendizaje por refuerzo con recompensas de exploración diversa para mejorar el recuerdo y F1 en QA multi-respuesta.
LLMs y trastornos alimentarios: fallos en adaptación a consultas
Evaluamos cómo los LLMs fallan al responder consultas sobre trastornos alimentarios, generando falsa seguridad. Un estudio con expertos clínicos revela los riesgos.