1077 artículos
Este trabajo propone un marco basado en grafos que representa las narrativas como grafos de interacción entre entidades e incorpora estimación causal para detectar, analizar y clasificar narrativas opositoras, superando a los métodos existentes al evitar sesgos y modelar las interacciones estructuradas en lugar de patrones lineales.
El estudio RAPTOR demuestra que la trayectoria de pre-entrenamiento multilingüe de modelos compactos como HuBERT es más determinante para la detección robusta de deepfakes de audio que la escala del modelo, logrando un rendimiento comparable a sistemas comerciales mediante un detector unificado y una nueva evaluación de incertidumbre.
Este artículo propone un marco de dos etapas que combina aprendizaje contrastivo supervisado en alfabetos inventados con destilación de conocimiento no supervisada para aprender métricas de similitud entre sistemas de escritura históricos sin depender de relaciones evolutivas verificadas.
El artículo presenta CRIMSON, un marco de evaluación basado en modelos de lenguaje grande y fundamentado clínicamente para informes de radiología de tórax que incorpora el contexto completo del paciente y una taxonomía de errores ponderada por gravedad, demostrando una fuerte alineación con el juicio de radiólogos expertos en múltiples benchmarks.
El artículo presenta MAPO, un algoritmo de optimización de políticas sin crítico que utiliza retroalimentación densa de un modelo juez y un estimador de ventaja mixto para mejorar la estabilidad y el rendimiento en diálogos multi-turno subjetivos de largo alcance, superando a los métodos basados únicamente en recompensas finales en diversas pruebas de inteligencia emocional.
Este artículo presenta el protocolo AI-CROWD, que aproxima la verdad fundamental en el análisis de contenido a gran escala mediante la agregación de las salidas de un conjunto de once modelos de lenguaje grandes para generar clasificaciones basadas en consenso y diagnosticar ambigüedades, superando así las limitaciones de costo y tiempo de la codificación humana tradicional.
El artículo presenta LIT-RAGBench, un nuevo benchmark en japonés e inglés diseñado para evaluar de forma integral cinco capacidades críticas de los generadores en sistemas de Generación Aumentada por Recuperación (RAG): integración, razonamiento, lógica, tablas y abstención, revelando que ningún modelo actual supera el 90% de precisión global.
El artículo presenta FlashPrefill, un marco que logra un prellenado ultrarrápido para modelos de lenguaje de gran contexto mediante la identificación instantánea de patrones de atención dispersa y un umbral dinámico, logrando una aceleración de hasta 27,78 veces en secuencias de 256K sin degradar el rendimiento en contextos más cortos.
El artículo presenta SPOT, un marco que mejora la eficiencia y la interpretabilidad del razonamiento latente en modelos de lenguaje grandes mediante la alineación semántica a nivel de segmentos y la decodificación con cabeza congelada, logrando una mayor precisión y una reducción significativa en el número de tokens generados.
Este estudio revela que, aunque los modelos de lenguaje grandes actuales se alinean generalmente con la opinión pública en temas sociales amplios, fallan sistemáticamente en representar con precisión las perspectivas religiosas, especialmente las de grupos minoritarios en Asia, perpetuando estereotipos negativos que no se resuelven completamente con intervenciones ligeras.
El artículo presenta EpisTwin, una arquitectura neuro-simbólica que supera las limitaciones de la fragmentación de datos en la IA personal al fundamentar el razonamiento generativo en un Grafo de Conocimiento Personal verificado, utilizando modelos de lenguaje multimodal para estructurar la información y un coordinador agente para realizar inferencias complejas y refinar visualmente los contextos.
Este estudio empírico demuestra que, aunque técnicas como LoRA permiten la adaptación inicial de modelos de reconocimiento de voz a lenguas indígenas del Pacífico, estas estrategias enfrentan un grave olvido catastrófico y una deriva representacional durante el aprendizaje continuo, lo que subraya la necesidad urgente de desarrollar métodos de adaptación más robustos para estas lenguas de recursos limitados.
Este estudio evalúa la capacidad de ChatGPT para generar pastiches de obras de arte contemporáneas, revelando mediante la participación de doce artistas que, aunque existen similitudes visuales, las creaciones de la IA carecen de dimensión, contexto e intención emocional, lo que demuestra la necesidad de utilizar métricas complementarias más allá de la simple transferencia de estilo.
El artículo presenta SAHOO, un marco práctico que utiliza tres mecanismos de seguridad para monitorear y controlar la deriva de alineación durante la auto-mejora recursiva de sistemas de IA, logrando mejoras significativas en tareas de código y razonamiento sin comprometer la seguridad ni la veracidad.
Este estudio presenta un marco interpretable para la extracción de relaciones entre entidades matemáticas que combina modelos transformadores (con BERT alcanzando un 99,39% de precisión) y técnicas de inteligencia artificial explicable (SHAP) para garantizar transparencia y confianza en la comprensión de textos matemáticos.
Este estudio introduce un nuevo conjunto de datos de la Tarea de Selección de Wason para demostrar que los modelos de lenguaje grandes, al igual que los humanos, razonan mejor con reglas deonticas y cometen errores similares a los sesgos de emparejamiento observados en la cognición humana.
Este estudio presenta una comparación unificada de diversas estrategias basadas en modelos de lenguaje grande para la calificación automática de ensayos en inglés como segunda lengua, revelando que la combinación de ajuste fino supervisado y generación aumentada por recuperación (RAG) logra el mejor rendimiento con un 93% de puntuación F1.
Este artículo examina la capacidad de los modelos de lenguaje grandes para realizar razonamiento abductivo mediante la conversión de datos silogísticos, con el objetivo de evaluar sus sesgos y mejorar la comprensión de la cognición humana y artificial más allá de la deducción formal.
El paper presenta PONTE, un marco de inteligencia artificial explicable que utiliza un ciclo de validación y adaptación con retroalimentación humana para generar explicaciones naturales personalizadas, fiables y adaptadas a las necesidades cognitivas y de estilo de cada usuario, superando las limitaciones de los enfoques estandarizados y la alucinación de los modelos de lenguaje.
El artículo presenta NOBLE, una arquitectura que incorpora ramas no lineales de bajo rango en las capas lineales de los transformadores para mejorar la eficiencia del entrenamiento desde cero, logrando una aceleración significativa en el tiempo de entrenamiento con un aumento mínimo de parámetros.