Diseña un sitio como este con WordPress.com
Comenzar

Etiqueta: Avance técnico

Google presenta AI en Google Translate que aborda el sesgo de género

Google anunció hoy el lanzamiento de traducciones específicas de género del inglés al español y del finés, húngaro y persa al inglés en Google Translate que aprovechan un nuevo paradigma para abordar el sesgo de género al reescribir o editar las traducciones iniciales. El gigante de la tecnología afirma que el enfoque es más escalable que una técnica anterior que respalda las traducciones de turco al inglés específicas de género de Google Translate, principalmente porque no se basa en un detector de neutralidad de género con uso intensivo de datos.

https://venturebeat.com/2020/04/22/google-debuts-ai-in-google-translate-that-addresses-gender-bias/

Adaptado por Aniceto Pérez y Madrid, Filósofo de las Tecnologías y Editor de Actualidad Deep Learning (@forodeeplearn)

Anuncio publicitario

Los pioneros en gráficos por ordenador de Pixar, nuevos Premios Turing

Edwin Catmull y Patrick Hanrahan han recibido este premio por el software de renderización de gráficos 3D

https://www.technologyreview.com/f/615376/pixars-computer-graphics-pioneers-have-won-the-1-million-turing-award/

Adaptado por Aniceto Pérez y Madrid, Filósofo de las Tecnologías y Editor de Actualidad Deep Learning (@forodeeplearn)

Fawkes: Protección de la Privacidad ante Deep Learning

Método de alteración de imágenes para confundir a los algoritmos de deep learning. Útil para las imágenes subidas a redes virtuales.

https://arxiv.org/pdf/2002.08327v1.pdf?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&utm_content=84601732&_hsenc=p2ANqtz–OZmXHMTP7vKLLehYGgTaQZ0FkUHd2cffWPMq3mYoE_crWbDY87RfPdR-e26v6g_EQ9Ka8_silIK50HA9h93-0P_CoAIlqTbqkIrZeUCKsZCt-H34&_hsmi=84601732

Adaptado por Aniceto Pérez y Madrid, Filósofo de las Tecnologías y Editor de Actualidad Deep Learning (@forodeeplearn)

FixMatch: Simplificando el Aprendizaje Semi-supervisado con Consistencia y Confianza

Un mecanismo de aprendizaje semi-supervisado que mejora la precisión frente a los métodos actuales.

https://arxiv.org/abs/2001.07685?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&utm_content=84601732&_hsenc=p2ANqtz–OZmXHMTP7vKLLehYGgTaQZ0FkUHd2cffWPMq3mYoE_crWbDY87RfPdR-e26v6g_EQ9Ka8_silIK50HA9h93-0P_CoAIlqTbqkIrZeUCKsZCt-H34&_hsmi=84601732

Adaptado por Aniceto Pérez y Madrid, Filósofo de las Tecnologías y Editor de Actualidad Deep Learning (@forodeeplearn)

El problema de mas métricas y la IA

Con frecuencia los modelos de IA buscan optimizar algún tipo de métrica lo que conduce a planteamientos miopes cortoplacistas. Propone un framework para mitigar los daños de sobrevalorar las métricas.

https://arxiv.org/abs/2002.08512

por Aniceto Pérez y Madrid, Filósofo de las Tecnologías y Editor de Actualidad Deep Learning (@forodeeplearn)

Microsoft mejora la capacidad de comprensión del lenguaje natural

MT-DNN es un toolkit para facilitar a los desarrolladores entrenar modelos personalizados de aprendizaje automático de comprensión del lenguaje natural.

https://arxiv.org/abs/2002.07972

por Aniceto Pérez y Madrid, Filósofo de las Tecnologías y Editor de Actualidad Deep Learning (@forodeeplearn)

Medidas de equidad para la regresión mediante clasificación probabilística

La equidad algorítmica incluye nociones como igualdad o tratamiento razonable como medida cuantificable a optimizar.

La mayor parte de la literatura se limita a problemas de clasificación donde la predicción es categórica, como aceptar o rechazar un préstamo. Esto se debe en parte a que los que se calcula es que los resultados se distribuyan equitativamente en grupos tal como mujeres.

Esto es difícil de generalizar en predicciones lineales como precios. La dificultad surge del cáculo de densidades condicionales. Para la regresión presentamos aproximaciones manejables de criterios de independencia, separación y suficiencia observando que factorizan como ratios de diferentes probabilidades condicionales de los atributos protegidos.

https://arxiv.org/abs/2001.06089

por Aniceto Pérez y Madrid, Filósofo de las Tecnologías y Editor de Actualidad Deep Learning (@forodeeplearn)

La IA puede señalar cuando la correlación en realidad es causa-efecto

Una nueva investigación presentada en la conferencia de la AAAI en Nueva York prueba que se puede demostrar de forma útil y fiable que un caso de correlación en realidad es causalidad.

La investigación se ha centrado en otras formas de observar las variables causantes. Una teoría con origen en la física es que las cosas se desordenan y complican con el tiempo, la entropía, así que la causa debe sermenos desordenada y complicada que su efecto.

La teoría se ha aplicado al cáncer de mama y datasets de proteínas de señalización. En cada caso la IA señaló la variable causante. Se describen distintas pruebas.

El algoritmo y los datasets están disponibles en abierto en arxiv.

https://www.eurekalert.org/pub_releases/2020-02/b-aic020320.php

por Aniceto Pérez y Madrid, Filósofo de las Tecnologías y Editor de Actualidad Deep Learning (@forodeeplearn)