Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
No encontramos noticias relacionadas por su significado.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Science Alert»
Más recientes primero · Hasta 30 noticias por página
arXiv Computer Science AIExponiendo la ilusión de borrado en la edición de conocimiento para LLM
Se examina la Edición de Conocimiento (KE) en LLM, descubriendo que el conocimiento editado no se borra completamente sino que persiste. El análisis revela que los métodos de actualización redistribuyen el conocimiento en el espacio del modelo y son vulnerables a ataques adversarios. Esto sugiere que los algoritmos de KE son inherentemente eludibles, lo que requiere una reevaluación de su implementación.
Predicción y mitigación de la susceptibilidad a jailbreaks mediante la geometría de comportamiento de modelos
Se evalúa y mitiga la susceptibilidad de sistemas generativos a ataques de jailbreak para asegurar su despliegue. Se formaliza la geometría de comportamiento de modelos para permitir una predicción eficiente de susceptibilidad y transferencia de defensas. Los métodos basados en esta geometría demuestran una detección de susceptibilidad con alta precisión y eficiencia en la evaluación.
Extracción de características basadas en wavelet continua para la clasificación de espectroscopia de desintegración inducida por láser de muestras de plasma humano
Un estudio evaluó la extracción de características espectrales mediante transformada wavelet continua (CWT) para clasificar muestras de plasma humano como positivas o negativas para SARS-CoV-2. Se analizaron 181 especímenes de plasma, obteniendo una precisión del 93.00%, sensibilidad del 94.67% y especificidad del 91.61%. Las características identificadas incluyeron líneas de emisión de Ca II, K I y N I.
Descomponiendo el sesgo de sí/no en el juicio moral de los LLM
Investigaciones sobre modelos de lenguaje grandes (LLM) revelan sesgos en su juicio moral binario, como la coherencia entre la postura, la palabra y el veredicto. Se encontró que los sesgos son generalizados pero no uniformes, con algunos modelos mostrando una menor adhesión al veredicto. El estudio utiliza una batería psicométrica para separar estos efectos y medir la postura de los modelos sin formato binario.
PACZero: Ajuste fino privado de lenguaje mediante cuantización de signo
Se presenta PACZero, un mecanismo de ajuste fino diferencialmente privado (DP) de orden cero (ZO) para modelos de lenguaje grandes (LLMs). Este método busca equilibrar la utilidad y la privacidad al limitar la información mutua entre la entrada secreta y la salida. Se evalúan diferentes canales para garantizar la resistencia a ataques de inferencia de membresía (MIA) en el ajuste fino de LLMs.
Gráficos de comportamiento: Estructuras de grafos no supervisados para interpretar datos de despliegue de robots
Se proponen los gráficos de comportamiento para simplificar el análisis de datos de despliegue de robots, comprimiendo las implementaciones de políticas en un grafo dirigido e interpretable. Estos gráficos ayudan a identificar modos de comportamiento similares y predicen el progreso de manera más precisa en comparación con las líneas base. Esto facilita la interpretación y el razonamiento sobre grandes volúmenes de datos de implementación de robots.
Equilibrio Minimax-Regret Probabilísticamente Robusto para Juegos de Equipo Adversarios bajo Información Asimétrica
Se presenta el Equilibrio Minimax-Regret Probabilísticamente Robusto (PR-MRE) para juegos de equipo adversarios con información asimétrica. Este concepto combina la robustez libre de distribución con información probabilística para mejorar el rendimiento de las estrategias frente a cambios en la distribución de tipos. Los experimentos demuestran que PR-MRE genera estrategias más robustas en comparación con el equilibrio de Nash bayesiano.
Evaluación del impacto de la Generación Aumentada por Recuperación en la resolución de problemas algorítmicos
Se presenta un enfoque de Generación Aumentada por Recuperación para mejorar la capacidad de los Modelos de Lenguaje Grande en la resolución de problemas de programación competitiva. El método integra recuperación basada en incrustaciones y búsqueda de similitud para identificar problemas análogos. Los resultados demuestran que la recuperación basada en similitud mejora sustancialmente el rendimiento de los LLMs en estos escenarios.
MetaEncoder: Explorando el límite de los bi-encoders para la toma de decisiones multimodales con interfaz de lenguaje natural
Se presenta MetaEncoder, un codificador multimodal afinado para la toma de decisiones con interfaz de lenguaje natural. El estudio compara tres arquitecturas de puntuación (bi-encoders, cross-encoders y decodificadores restringidos) y demuestra que los bi-encoders ofrecen una ventaja de eficiencia al mantener una latencia de inferencia constante. MetaEncoder supera a los modelos de incrustación multimodales de vanguardia en tareas de decisión y recuperación de conjuntos abiertos.
Modelo de acción mundial basado en MPC con difusión
Se presenta LeWAM, un transformador bidireccional para predicción de políticas y dinámica, entrenado en un latente JEPA. Este modelo ofrece mejoras en alineación, actuación y planificación al manejar mejor la información latente y explotar las imprecisiones del modelo de dinámica en el proceso de planificación.
Procesos Neuronales Transformadores Espectrales
Se propone el Procesos Neuronales Transformadores Espectrales (STNPs), una extensión de los Procesos Neuronales Transformadores (TNPs) que incorpora un Agregador Espectral. Este enfoque busca mejorar el modelado de la periodicidad y la cuasi-periodicidad en series temporales e imágenes al inyectar un sesgo de mezcla espectral. Los experimentos demuestran que STNPs mejoran el rendimiento predictivo sobre métodos existentes.
Valor Shapley generalizado y consciente de la prioridad
Se presenta el valor de Shapley generalizado y consciente de la prioridad (GPASV) para la valoración en aprendizaje automático, abordando las limitaciones de los métodos existentes con restricciones de prioridad par a par. El estudio introduce GPASV para manejar grafos de prioridad ponderados dirigidos arbitrarios. Se demuestra que la valoración consciente de la prioridad varía significativamente según el equilibrio entre la prioridad de la gráfica y la prioridad individual.
Patrones de arquitectura del servidor MCP para aplicaciones integradas con LLM
Se presenta el Protocolo de Contexto del Modelo (MCP), definido por Anthropic en noviembre de 2024, que estandariza la conexión de modelos de lenguaje grandes (LLM) con herramientas y servicios externos. El artículo cataloga cinco patrones de arquitectura de servidores MCP observados en un corpus de servidores desarrollados. También se documentan anti-patrones y se realizan evaluaciones cuantitativas sobre la fiabilidad de la taxonomía y la sobrecarga de transporte.
¿Son útiles los modelos de visión grandes para el análisis de series temporales?
Un estudio fue diseñado para investigar la utilidad de los Modelos de Visión Grandes (LVMs) en el análisis de series temporales, evaluando su rendimiento en tareas de clasificación y pronóstico. Los resultados sugieren que los LVMs son útiles para la clasificación, pero presentan limitaciones en el pronóstico, como sesgos y capacidad limitada para ventanas de retroceso largas. El manuscrito fue retirado por los autores para realizar revisiones sustanciales.
FoleyForge: Edición de efectos de sonido libre, controlable y de flujo rectificado
Se presenta FoleyForge, un modelo generativo para la edición de efectos de sonido basado en instrucciones. Este modelo aplica ediciones preservando la identidad del clip de entrada, manejando cambios semánticos y estilísticos. El sistema utiliza un pipeline de datos para guiar un modelo de lenguaje de audio, mejorando la edición acústica y semántica.
PreForceVision: Estimación óptica guiada por física de la precarga de pernos a partir de la deformación de la cabeza del perno
Se propone PreForceVision, un marco óptico guiado por física para estimar la precarga de pernos mediante la deformación superficial de la cabeza del perno. El método aborda la estimación como un problema inverso de deformación a fuerza, utilizando pares de imágenes y extracción de deformación para determinar el estado de precarga interno. Los resultados preliminares indican una correlación entre la deformación medida y la precarga, validando una metodología óptica para la estimación de precarga.
LittleLearner: Modelos de lenguaje con exposición al conocimiento controlada pedagógicamente
Se presenta LittleLearner, un modelo de lenguaje entrenado con un corpus de datos curado llamado LittleCurriculum, diseñado para estudiar la adquisición de conocimiento bajo un alcance de entrenamiento estrictamente controlado. Este modelo permite mapear límites claros de conocimiento y capacidad para investigar cómo los modelos adquieren y utilizan datos. Los hallazgos enfatizan el valor de este entorno controlado para futuras investigaciones en el campo de la inteligencia artificial.
Puertas rotas: Reevaluando las defensas contra bots web en la era de los agentes LLM
La aparición de la automatización web mediante rastreadores y agentes basados en LLM presenta nuevos desafíos para las defensas contra bots. Las defensas modernas están migrando de desafíos explícitos a decisiones basadas en el riesgo sobre señales de navegador e identidad. Se encontró que los servicios de resolución superan las defensas basadas en desafíos, mientras que los agentes de navegador son sensibles al estado del navegador y la cuenta. Esto revela una tensión de seguridad entre eliminar la fricción y asegurar que las señales de confianza sean accesibles para usuarios humanos.
VOMMI: Recolección y aprovechamiento de demostraciones portátiles para manipulación móvil
Se presenta VOMMI, un marco de aprendizaje que utiliza demostraciones portátiles de RGB para conectar demostraciones de manipulación móvil con el post-entrenamiento VLA. El sistema mejora la precisión de la política al usar demostraciones portátiles en comparación con las recopiladas por robot, reduciendo errores de trayectoria y mejorando la tasa de éxito en tareas de robot reales.
Cuando los archivos de instrucción se vuelven obsoletos: Deuda de documentación y costo oculto en agentes de codificación
Se investigó la deuda de documentación en agentes de codificación basados en LLM, donde los archivos de instrucción pueden volverse obsoletos. Se encontró que los agentes siguen instrucciones obsoletas cuando son relevantes para sus tareas, incluso si hay información correcta disponible en otros lugares. El éxito de la tarea no refleja los costos asociados a esta deuda de documentación, subrayando la necesidad de evaluar el comportamiento del agente más allá de los resultados finales.
OperatorSHAP: Estimación Rápida y Precisa del Valor de Shapley para Operadores Neuronales
Se presenta OperatorSHAP, un método de atribución independiente de la rejilla que permite entrenar explicadores tipo FastSHAP para operadores neuronales. Este método aborda la limitación de los métodos existentes al manejar entradas irregulares y geometrías, estableciendo un marco teórico para atribuciones en el espacio de funciones. Se demuestra que las explicaciones de OperatorSHAP son consistentes con valores de Shapley discretos de última generación a través de resoluciones y transferencias entre tamaños de rejilla sin necesidad de reentrenamiento.
Aprendizaje por Refuerzo Seguro mediante Blindaje Probabilístico de Opciones
Se presenta el Blindaje Probabilístico de Opciones (POS), una técnica de aprendizaje por refuerzo que extiende el blindaje lógico probabilístico (PLS) al nivel de la opción para lograr seguridad a largo plazo sin requerir un modelo completo del entorno. Esta técnica aprende un crítico libre de modelo a partir de señales de PLS de un paso para estimar la probabilidad de finalización segura de la opción. Los resultados demuestran que POS ofrece un entrenamiento considerablemente más seguro manteniendo el rendimiento de la tarea.
Corte Piecewise Suave para Operador Neuronal para Manejar Discontinuidades y Transiciones Agudas
Se propone Cut-DeepONet, un marco de entrenamiento de dos etapas para modelar explícitamente discontinuidades en operadores neuronales de PDEs. Este método utiliza una estrategia de elevación para particionar el dominio y representar las discontinuidades como límites, mejorando el rendimiento sobre métodos existentes. Los experimentos demuestran que Cut-DeepONet supera a los métodos de vanguardia, logrando resultados superiores con menos parámetros entrenables.
No se identificaron personas.
Autoencoders dispersos conscientes del subespacio para interpretabilidad mecanicista efectiva
Se presenta un nuevo modelo llamado Autoencoders Dispersos Conscientes del Subespacio (SASA) para mejorar la interpretabilidad mecanicista en modelos de lenguaje grandes. Este enfoque reemplaza los decodificadores de vector único por subespacios aprendidos y utiliza técnicas de compuerta de grupo para imponer escasez. Los experimentos en GPT-2 y Mistral-7B indican una menor absorción y una predicción más precisa de conceptos con un número reducido de coordenadas latentes.
RiskFlow: Generación de escenarios de tráfico crítico y seguro rápido y fiel
Se presenta RiskFlow, un marco de generación de tráfico de seguridad crítica en bucle cerrado diseñado para evaluar sistemas de conducción autónoma. Este método reformula la generación de comportamiento futuro como transporte de flujo de un solo paso para mejorar la eficiencia y reducir errores de muestreo. Los experimentos demuestran que RiskFlow logra un buen equilibrio entre realismo adversarial y capacidad de generación de escenarios de seguridad crítica.
Repensando los métodos de optimización para la selección jerárquica de características
El artículo analiza y diagnostica cuatro familias de optimización para el Aprendizaje de Características Conjuntas Numéricas Jerárquicas (HTNL). Se comparan métodos como MM, VQF, ADMM y WGL, identificando factores que determinan su comportamiento. Los resultados en datos sintéticos demuestran que VQF ofrece el mejor AUC con soportes compactos, y ADMM-Bisect reduce el tiempo de ejecución.
Detección de inconsistencias de conocimiento entre texto, tablas y grafos de conocimiento
Se investiga la detección de inconsistencias de conocimiento entre diferentes modalidades como texto, tablas y grafos de conocimiento, ya que su información está dispersa. Se introduce una taxonomía de inconsistencias y se presenta el marco Kontrast para comparar respuestas y categorizar conflictos. Los experimentos demuestran que existen inconsistencias comunes y que estas revelan fallos en la estructura del KG y desajustes temporales.
No se identificaron personas.
PRISM: Pruebas de estrés sobre afirmaciones de alineación engañosa
Se presenta PRISM, un conjunto de cinco comprobaciones y herramientas diseñadas para detectar fallos en los sistemas de inteligencia artificial relacionados con el engaño de alineación. Se investiga cómo el comportamiento de los modelos de IA cambia al ser instruidos para creer que están siendo monitoreados o al modificar el entrenamiento. Los resultados indican que la formulación de la indicación es más influyente que la amenaza de entrenamiento directa.
Explorar por separado, adoptar selectivamente: Uso de herramientas guiado por ejecución sobre grandes librerías de herramientas
Se presenta BRIA, un método plug-and-play para agentes LLM que investiga y adopta herramientas de manera selectiva en ramas aisladas. Este método demuestra eficiencia al usar menos tokens y mejorar el rendimiento de la tarea en comparación con líneas base estáticas y adaptativas. Los resultados sugieren que las herramientas candidatas pueden explorarse eficazmente en entornos empresariales sin sobrecargar el contexto del agente.
CoRS: Programación Flexible de Job-Shop mediante Reutilización de Estado de Intervalo Compuesto
Se presenta CoRS, un método que desacopla la representación gráfica a nivel de intervalo de la actualización del estado de factibilidad por paso en el Problema de Programación Flexible de Job-Shop (FJSP). Este diseño de dos escalas busca amortizar la codificación gráfica mientras mantiene la construcción de horarios factibles de manera continua. Los experimentos demuestran que CoRS reduce el tiempo de inferencia manteniendo una calidad de solución competitiva.