media Hugging Face Forums · hace 3 d · open_models

Los modelos JEPA biológicos utilizan restricciones biológicas para modelar la progresión de enfermedades

Traducido del English → Español

Un nuevo proyecto de código abierto llamado Biological JEJA combina el aprendizaje de representaciones al estilo JEPA con restricciones biológicas para modelar cómo progresan las enfermedades a lo largo del tiempo. El enfoque se probó en datos reales de ADNI de 2,347 pacientes y se comparó con varios otros modelos.

El método se centra en aprender representaciones que capturen los cambios de la enfermedad a lo largo del tiempo en lugar de simplemente predecir el estado actual del paciente.
Utiliza datos del mundo real del conjunto de datos Alzheimer's Disease Neuroimaging Initiative (ADNI).
El proyecto incluye inferencia a nivel de paciente y un marco de evaluación que compara los resultados con LLM heads.

El autor está buscando comentarios sobre las restricciones biológicas, la configuración experimental y la naturaleza convincente de los resultados.

Importancia 1/3 Confianza 1/3 Hugging Face Forums Research paper Retrieval & RAG

Leer original

RareDx utiliza la optimización de políticas basada en grafos para mejorar el diagnóstico de enfermedades raras

Los autores presentan RareDx, un sistema que combina el uso controlado de evidencia con la optimización de políticas fundamentada en grafos de conocimiento para abordar el problema de razonamiento de cola larga del diagnóstico de enfermedades raras. La tubería de entrenamiento combina Top-10 post-entrenamiento con RareDx-KGPO, que proyecta las predicciones en un grafo canónico de enfermedades e integra relevancia graduada curada, proximidad ontológica, similitud biomédica y consistencia fenotípica.

arxiv arXiv cs.AI · hace 3 d · 15 vistas

Highlight-Then-Summarize comprime la evidencia para mejorar la comprensión de contexto largo

Los investigadores proponen Highlight-Then-Summarize (H2S), un paradigma de compresión-antes-de-razonar que identifica la evidencia relevante para la pregunta y la integra en un resumen compacto antes de generar una respuesta. El equipo construye H2S-Dataset con 6,647 ejemplos e introduce H2S-RL para proporcionar recompensas a nivel de proceso para la selección de evidencia.

arxiv arXiv cs.CL · hace 3 d · 6 vistas

Highlight-Then-Summarize comprime la evidencia para una mejor comprensión de contextos largos

Los investigadores proponen Highlight-Then-Summarize (H2S), un paradigma de compresión-razonamiento que identifica la evidencia relevante a la pregunta y la integra en un resumen compacto antes de generar una respuesta. Para apoyar este enfoque, el equipo construyó H2S-Dataset con 6.647 ejemplos de 11 familias de benchmarks e introdujo H2S-RL para recompensas a nivel de proceso.

arxiv arXiv cs.CL · hace 7 d · 6 vistas

R3Con aplica principios de realización de relevancia para mejorar el razonamiento a gran escala

Los investigadores proponen R3Con, un arnés que operacionaliza los principios de la teoría cognitiva para construir representaciones efectivas de contextos muy grandes. El sistema aborda el desafío de ensamblar información interdependiente dispersa en fuentes vastas más allá de los límites de contexto estándar del modelo.

media Hugging Face Forums · hace 34 d · 44 vistas

Inversión ontológica: memoria vectorial entre modelos para dirección y recuperación

Un preprint del investigador independiente Jason Van Pham propone traducir representaciones continuas entre modelos congelados para permitir la dirección, la recuperación y el razonamiento sin editar pesos. El trabajo introduce un método donde los conceptos se compilan en direcciones residuales en el espacio de un modelo y se mapean mediante una transformación afín a las capas ocultas de otro modelo.