✅ CONTENIDO_COMPLETO | Traducido automáticamente del inglés
🍭 En esta nota me enfoqué en el impacto para experiencia de desarrollo, interfaces y ergonomía del producto.
, por Mario Leiva y otros 4 autores Ver PDF HTML (experimental) Resumen: La implementación de modelos de percepción previamente entrenados en entornos novedosos degrada su precisión bajo un cambio distributivo, y ensamblarlos por sí solo no la recupera: los combinadores como la votación mayoritaria recuperan la precisión y son frágiles ante fallas coordinadas. Los métodos metacognitivos anteriores aprenden reglas lógicas que señalan los errores de un modelo, pero se basan en señales de conocimiento de dominio escritas a mano (anteriores del tamaño de los objetos, máscaras de segmentación) que no se transfieren a escenas genuinamente novedosas. Mostramos que esta capa metacognitiva se puede aprender sin ningún conocimiento del dominio mediante la explotación de la geometría del espacio vectorial: los grupos de vectores de etiquetas (LVP) por modelo, creados a partir de las propias incorporaciones de entrenamiento de cada modelo, producen reglas de detección de errores a partir de la geometría de las detecciones relativas a los prototipos determinados por el entrenamiento, alcanzando la paridad con las reglas de conocimiento del dominio dentro de $0.002$ cada F1 en el conjunto de prueba.
Cita con formato BibTeX × cargando… Datos proporcionados por: Marcador Herramientas bibliográficas Herramientas bibliográficas y de citas Explorador bibliográfico Alternar explorador bibliográfico ( ¿Qué es el Explorador? ) Documentos conectados Alternar artículos conectados ( ¿Qué son documentos conectados? ) Litmaps Alternar mapas de litografía ( ¿Qué es Litmaps? ) scite.ai Alternar scite Citas inteligentes ( ¿Qué son las citas inteligentes? ) Código, datos, medios Código, datos y medios Asociado con este artículo alphaXiv Alternar alphaXiv ( ¿Qué es alphaXiv? ) Enlaces a Code Toggle CatalyzeX Code Finder for Papers ( ¿Qué es CatalyzeX? ) DagsHub Alternar DagsHub ( ¿Qué es DagsHub? ) GotitPub Alternar Gotit.pub ( ¿Qué es GotitPub? ) Huggingface Alternar Hugging Face ( ¿Qué es Huggingface? ) ScienceCast Alternar ScienceCast (¿Qué es ScienceCast?) Demostraciones Demostraciones Replicar Alternar replicar (¿Qué es replicar?) Espacios alternar abrazando la cara Espacios (¿Qué son espacios?) Espacios alternar TXYZ.AI (…
📰 Fuente Original
General – Leer artículo completo →
📌 Nota: Este artículo fue traducido automáticamente. Para la versión original en inglés, visita el enlace de la fuente.
🍭 Curada por Jicaleta con ojo en UX, frontend y claridad para devs.