Contraste y sesgo inductivo: cómo separar ruido lento de dinámicas
Descubre cómo el aprendizaje contrastivo puede confundir ruido lento con la dinámica real, y cómo muestrear negativos dentro de la misma trayectoria mejora las representaciones.
#sesgo
Predicción Parcialmente Performativa
Descubre cómo la predicción parcialmente performativa aborda cambios de distribución endógenos y exógenos en modelos predictivos. Aprende heurísticas prácticas para adaptarte.
Optimización con restricciones para predicción robusta de estabilidad proteica
Nuevo marco de optimización con restricciones mejora la predicción de estabilidad proteica, elevando correlación Spearman sin cambios arquitectónicos.
Espacios de Transporte Ordenado Condicional Aleatorio
Descubre CROTS, una nueva clase de espacios métricos que evalúa no solo la distancia entre distribuciones sino la dirección del transporte, clave para aprendizaje fiable con restricciones.
TRUST-SCF: Puntuación Crediticia con Transformers para Cadenas de Suministro
Descubre TRUST-SCF, un framework basado en transformers que mejora la puntuación crediticia y predicción de riesgo en financiamiento de cadenas de suministro.
Dinámica espectral y geometría del ruido de Muon
Exploramos la dinámica espectral y geometría del ruido del optimizador Muon: su sesgo hacia espectro plano y cuándo es útil frente a AdamW. Resultados experimentales.
La dinámica espectral y la geometría del ruido de Muon
Muon reemplaza el gradiente por su factor polar, aplanando el espectro. Descubre cómo este sesgo mejora la optimización en ciertos regímenes, y cuándo AdamW es mejor.
Auditoría espectral revela dependencia aperiódica por tarea en EEG y ECG
La auditoría espectral revela dependencia aperiódica según la tarea en EEG y ECG. ¡Controla el sesgo en tu IA!
Geometría del espacio de parámetros en transformers para funciones booleanas
La geometría del espacio de parámetros de transformers revela por qué fallan en funciones booleanas sensibles como PARITY: un sesgo hacia baja sensibilidad.
PROBE-Web: Explora paisajes de evaluación de modelos KGC
PROBE-Web: sistema interactivo para evaluar modelos de completado de grafos de conocimiento. Ajusta perspectivas de nitidez y sesgo de popularidad. ¡Explora paisajes de evaluación!
DynaCF: Mitigando el Aprendizaje por Atajos en Modelos de Recompensa
DynaCF reduce el aprendizaje superficial en modelos de recompensa mediante reajuste dinámico con contrafácticos, mejorando robustez y calidad de preferencias.
Auditorías de fallos calibradas con señuelos para modelos de lenguaje
Janus audita fallos en modelos de lenguaje: calibra con señuelos y replica en datos nuevos para confirmar solo los errores genuinos. Descubre el método.
El sesgo oculto de los PRM: PRISM para recompensar el razonamiento correcto
Descubre cómo PRISM elimina el sesgo oculto en los PRM, mejorando la precisión del razonamiento y reduciendo falsos positivos en un 22%.
Prioridades léxicas en LLMs: un enfoque Stroop
Descubre cómo los modelos de lenguaje mantienen prioridades léxicas al ser anuladas, según estudio con paradigma Stroop. Implicaciones para IA.
¿Qué tan confiables son las auditorías de equidad con datos no confiables?
Descubre cómo la falta de etiquetas protegidas afecta las auditorías de equidad en ML. Resultados revelan patrones de daño interseccional y la necesidad de calibración.
Revelando sesgos ocultos en modelos texto-imagen con búsqueda automática
Descubre cómo el marco BGPS automatiza la búsqueda de prompts para exponer sesgos ocultos en modelos de texto a imagen como Stable Diffusion.
Agregación justa óptima de etiquetas ruidosas mediante paridad demográfica
Descubre cómo lograr una agregación justa de etiquetas ruidosas en crowdsourcing usando restricciones de paridad demográfica. Teoría, algoritmos y experimentos.
Mitigación de atajos en modelos de texto durante el despliegue
Descubre cómo Shortcut Guardrail mitiga atajos en modelos de texto durante el despliegue sin datos de entrenamiento. Recupera rendimiento en clasificación, toxicidad e inferencia.
Identificación parcial con datos faltantes y variables sombra débiles
Cómo las variables sombra débiles de modelos preentrenados permiten acotar estimaciones con datos faltantes, reduciendo sesgo y mejorando precisión
Generalizando la selección justa de top-k: un enfoque integrador
Aprende a generalizar la selección justa de top-k con múltiples grupos protegidos, minimizando la disparidad. Un enfoque integrador con resultados empíricos.