2167 artículos
Este artículo propone un marco unificado para evaluar cómo la personalización de modelos de aprendizaje automático afecta de manera divergente tanto a la precisión predictiva como a la explicabilidad, derivando límites teóricos para detectar estos efectos en conjuntos de datos reales y destacando la necesidad de diseñar sistemas que permitan una evaluación conjunta y viable de ambos aspectos.
Este artículo introduce la "firma espacial" de un conjunto de datos como una herramienta geométrica para evaluar y garantizar la robustez de la valoración de datos basada en semivalores frente a cambios en la función de utilidad, ofreciendo una métrica práctica para que los profesionales comprendan cómo estas variaciones afectan los resultados.
Este artículo presenta un marco integrado de Real2Sim2Real para la manipulación de objetos lineales deformables que utiliza inferencia libre de verosimilitud para estimar distribuciones posteriores de parámetros físicos y entrenar políticas visuomotoras en simulación, logrando un rendimiento exitoso en el mundo real sin ajuste adicional.
El artículo presenta el método de Reescalado de Importancia de Características (FIR), una técnica teóricamente fundamentada que mejora la evaluación de la calidad del agrupamiento en mezclas gaussianas ruidosas al ajustar las contribuciones de las características según su dispersión, lo que aumenta la correlación entre los índices de validez y la verdad fundamental incluso en entornos con características irrelevantes o alto ruido.
El artículo presenta HyConEx, un clasificador basado en hiperredes diseñado para datos tabulares que, de forma única, genera simultáneamente predicciones de clase y explicaciones contrafactuales locales en una sola red neuronal.
Este artículo presenta formulaciones de programación lineal entera mixta para construir árboles de modelos óptimos globalmente con máquinas de vectores de soporte lineales en las hojas, demostrando empíricamente que estos árboles alcanzan una precisión competitiva con estructuras mucho más pequeñas y interpretables en comparación con los métodos de crecimiento codicioso y otros algoritmos estándar.
Este artículo propone un marco de evaluación de clasificación binaria basado en la teoría de la decisión y el uso de reglas de puntuación propias como la puntuación Brier, respaldado por una herramienta práctica en Python y una variante técnica mejorada, para superar la dependencia actual de métricas de umbral fijo en la literatura de aprendizaje automático.
Este artículo presenta CDGLT, un marco eficiente y de alto rendimiento para la identificación de metáforas multimodales que utiliza el ajuste de Concept Drift y LayerNorm para superar las limitaciones de los métodos existentes y reducir los costos computacionales.
El artículo presenta SGPO, un marco de optimización de políticas que mitiga la limitación de GRPO de no aprender de grupos de respuestas incorrectas al introducir diversidad mediante un modelo juez paso a paso, logrando así mejorar el rendimiento de modelos de razonamiento al permitirles aprender de sus errores sin requerir soluciones correctas.
Este artículo presenta el GM-RBM, un modelo generativo que extiende los RBM tradicionales mediante unidades latentes categóricas de q estados (modelo de Potts), demostrando que esta arquitectura discreta mejora el rendimiento en tareas de memoria estructurada y razonamiento analógico en comparación con modelos de latentes continuos o binarios de capacidad equivalente.
El artículo presenta JULI, un método que logra el jailbreak de modelos de lenguaje grandes mediante la manipulación de las probabilidades de registro de tokens utilizando un pequeño módulo llamado BiasNet, permitiendo atacar eficazmente modelos propietarios en configuración de caja negra sin necesidad de acceder a sus pesos internos.
Este trabajo propone un método para descubrir ecuaciones diferenciales simbólicas a partir de datos utilizando invariantes de simetría como entidades atómicas, lo que garantiza que las ecuaciones halladas respeten las leyes físicas y mejore la precisión y eficiencia de las técnicas existentes.
El artículo presenta UltraEdit, un método de edición de modelos de lenguaje sin entrenamiento, sujeto ni memoria que logra actualizaciones rápidas y escalables con bajo consumo de recursos, superando a los enfoques anteriores y validándose mediante un nuevo conjunto de datos masivo llamado UltraEditBench.
Este artículo presenta una metodología sistemática para evaluar modelos de lenguaje grandes en dispositivos de borde, demostrando que los modelos grandes altamente cuantizados superan a los modelos más pequeños de alta precisión y ofreciendo directrices para optimizar su rendimiento bajo restricciones de recursos.
El artículo presenta Saturn, un marco de aprendizaje por refuerzo basado en problemas de satisfacibilidad booleana (SAT) que supera las limitaciones de escalabilidad, verificabilidad y control de dificultad de las tareas existentes, logrando mejoras significativas en las capacidades de razonamiento de modelos de lenguaje grandes tanto en problemas SAT como en tareas matemáticas y de programación.
El artículo presenta FrontierCO, un benchmark de gran escala y estructura realista para evaluar solvers de optimización combinatoria basados en aprendizaje automático, revelando una brecha de rendimiento persistente frente a los métodos clásicos en instancias masivas y complejas, aunque identificando casos donde los enfoques de ML superan a los tradicionales.
El artículo presenta SemiCP, un nuevo marco de predicción conformada semi-supervisado que utiliza puntuaciones de no conformidad basadas en la coincidencia de vecinos más cercanos (NNM) para aprovechar datos no etiquetados y reducir significativamente la brecha de cobertura cuando los datos etiquetados son escasos.
Este artículo presenta un marco general llamado Sticky-Sequence Track-and-Stop que logra optimalidad asintótica en problemas de exploración pura con un conjunto infinito de respuestas posibles, superando las limitaciones de los métodos existentes diseñados para casos finitos.
El artículo presenta TSRating, un marco unificado que aprovecha el conocimiento de los modelos de lenguaje grandes (LLM) y un esquema de meta-aprendizaje para evaluar de manera eficiente y adaptable la calidad de datos de series temporales procedentes de dominios diversos.
Este trabajo propone CORA, un método de asignación de ventajas en el aprendizaje por refuerzo multiagente cooperativo que utiliza la teoría de juegos cooperativos y el concepto de "núcleo" para asignar créditos basados en las contribuciones de las coaliciones, mejorando así la optimización de las políticas y el comportamiento coordinado.