Bernhard Schölkopf

Un nuevo método mejora la capacidad de los robots para moverse de manera eficiente en superficies irregulares.

Un nuevo enfoque combina el aprendizaje de representaciones causales y modelos fundamentales para una mejor comprensión.

Una mirada a cómo los ajustes de parámetros moldean el entrenamiento de redes neuronales.

Este artículo examina cómo los pasos de preprocesamiento pueden afectar las garantías de privacidad de los datos.

Combinar relaciones causales con predicciones mejora la precisión del análisis de sentimientos.

COMET presenta un nuevo modelo para que la IA aprenda y se adapte de manera eficiente.

Un análisis de cómo la Representación de Significado Abstracto impacta en el rendimiento de los LLM en varias tareas.

Examinando la equidad y la ética de cómo los modelos de lenguaje responden a los usuarios.

Un nuevo método mejora las estimaciones del efecto del tratamiento en conjuntos de datos complejos.

Un nuevo enfoque mejora la capacidad de encontrar exoplanetas en los cielos estrellados.

Un nuevo algoritmo combina el RL offline y la retroalimentación de preferencias para mejorar la toma de decisiones.

Una mirada a los efectos causales en entornos de datos intercambiables y sus implicaciones.

Explorando espacios causales y sus implicaciones para entender sistemas e interacciones.

Analizando cómo los LLMs toman decisiones morales en diferentes idiomas y culturas.

Differentiable Tree Experts mejora las operaciones de árboles en inteligencia artificial.

Explorando cómo los datos ruidosos afectan el rendimiento del modelo en datos no vistos.

Los robots aprenden a tocar el piano usando un nuevo conjunto de datos de más de un millón de movimientos.

Examinando la responsabilidad en las colaboraciones entre humanos y IA en diferentes campos.

Un nuevo método combina ideas inesperadas para crear obras de arte únicas.

Un método nuevo para entender las relaciones causales en entornos dinámicos.