Canal de Consulta: Límites Informacionales de Explicaciones por Enmascaramiento
Descubre los límites informacionales de las explicaciones por enmascaramiento en IA. Implicaciones para LIME y KernelSHAP.
#shap
Ex-Omni: Generación de animación facial 3D para modelos omni-modales
Ex-Omni genera animación facial 3D sincronizada con voz para modelos omni-modales. Código abierto, baja latencia y alta calidad.
Descubrimiento e inferencia no lineal en epidemiología con RuleSHAP
Descubre cómo RuleSHAP combina regresión bayesiana y valores Shapley para detectar efectos no lineales en datos epidemiológicos con incertidumbre cuantificada.
SHAPE: Poda cooperativa de expertos en LLMs MoE
Descubre SHAPE, un método innovador que poda expertos en MoE LLMs usando teoría de juegos cooperativos para reducir memoria GPU sin perder precisión. ¡Optimiza tus modelos!
Explicabilidad generativa con LLM para redes de próxima generación
Descubre cómo LLM y SHAP generan explicaciones en lenguaje natural para redes, con un 97.5% de corrección. Mejora la transparencia IA.
Explicabilidad generativa para redes de próxima generación
Mejora la transparencia de la IA en redes con un novedoso marco de explicabilidad generativa que combina LLM y SHAP, logrando un 97.5% de corrección y mayor utilidad.
Pre-AF 13: Puntuación de riesgo de fibrilación auricular desde informes de alta
Descubre Pre-AF 13, un score de riesgo interpretable para fibrilación auricular en pacientes con enfermedad cardiovascular, basado en datos de historias clínicas.
Descomposición ANOVA funcional exacta para variables categóricas
Descubre la descomposición ANOVA funcional exacta sin suposiciones para variables categóricas: cálculo eficiente y generalización de SHAP.
Evaluación de peligro sísmico espacio-temporal con VQ-VAE y SSFs
Descubre cómo un modelo híbrido VQ-VAE y características estadísticas mejora la predicción sísmica localizada en Japón, superando métodos tradicionales.
SHAPO: Optimización de Políticas con Agudeza para Exploración Segura
Descubre SHAPO, un método de optimización de políticas que mejora la exploración segura en aprendizaje por refuerzo, reduciendo riesgos en entornos críticos.
Causal Agent Replay: Atribución Contrafactual de Fallos en Agentes LLM
Descubre Causal Agent Replay, el método que identifica exactamente qué paso causó un fallo en tu agente LLM, con intervalos de confianza y código abierto.
mllm-shap: Explicabilidad con Shapley para modelos multimodales texto-audio
Descubre mllm-shap, el primer framework open-source que explica decisiones de modelos multimodales texto-audio usando valores Shapley. ¡Explora su interfaz!
Análisis XAI: conectando explicabilidad tradicional y modelos multimodales
Descubre cómo los valores de Shapley explican modelos multimodales multilingües. Un análisis XAI innovador para mejorar la transparencia en IA.
Redes residuales de unidades de producto para interacciones no lineales
Descubre PURe: redes residuales que modelan interacciones no lineales, mejoran robustez y eficiencia en datos reducidos, y ofrecen interpretabilidad con SHAP.
Explicando la estadificación no supervisada del Huntington
Descubre cómo la IA explica las etapas del Huntington mediante clusters y SHAP. Mejora la interpretabilidad clínica y la confianza en modelos no supervisados.
Actor-Critic con Kernel Guiado por SHAP para Aprendizaje por Refuerzo Explicable
Mejora la interpretabilidad del aprendizaje por refuerzo con RSA2C, un algoritmo kernelizado que usa atribuciones SHAP para entrenar actores y críticos con estabilidad y eficiencia.
Aumann-SHAP: Geometría de interacciones contrafactuales en Machine Learning
Descubre Aumann-SHAP, un marco que descompone transiciones contrafactuales usando geometría de hipercubos. Corrige sesgos y mejora la interpretabilidad en ML.
SleepExplain: clasificación explicable de etapas NREM y REM del sueño con EEG
Aprende sobre el modelo SleepExplain para clasificar fases NREM y REM del sueño a partir de EEG, con Random Forest, XGBoost y SHAP para explicabilidad. Precisión del 94.3%.