Aprendizaje no supervisado para modalidades faltantes en aprendizaje multimodal
Descubre cómo UL4M4 imputa embeddings faltantes en aprendizaje multimodal mediante clustering no supervisado, logrando F1 >0.7 incluso con >50% de datos
#robustez de modelos
PromptShift-CRC: Control de Riesgo Adaptativo para Modelos Fundacionales
Descubre cómo PromptShift-CRC controla el riesgo en modelos fundacionales ante cambios en prompts y dominios. Aprendizaje adaptativo en tiempo real.
Robustez de modelos ML en sistemas de detección de intrusiones
Descubre por qué Random Forest (99.98% precisión) cae ante ataques adversarios, mientras CNN mantiene 95.5%. Comparativa de modelos ML para NIDS.
Corrección de sesgo para mejorar transferibilidad adversarial en VLP
Mejora la transferibilidad adversarial en modelos VLP con DeBias-Attack, que corrige el sesgo del modelo sustituto para ataques más efectivos.
Robustez de modelos vía información de Fisher: límites y algoritmos
Descubre cómo medir la robustez de modelos de IA con la información de Fisher, una métrica atacable-agnóstica que predice vulnerabilidad adversarial. Guía teórica y práctica.
Self-Soupervision: Cocinar sopas de modelos sin etiquetas
Descubre cómo Self-Soupervision crea sopas de modelos sin etiquetas, mejorando robustez un +3.5% en ImageNet-C y +7% en LAION-C. ¡Optimiza tus modelos!