BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Departamento de Computación - ECPv6.17.4.1//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Departamento de Computación
X-ORIGINAL-URL:https://www.dc.uba.ar
X-WR-CALDESC:Eventos para Departamento de Computación
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:America/Sao_Paulo
BEGIN:STANDARD
TZOFFSETFROM:-0300
TZOFFSETTO:-0300
TZNAME:-03
DTSTART:20250101T000000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20261019T100000
DTEND;TZID=America/Sao_Paulo:20261019T110000
DTSTAMP:20261016T140759Z
CREATED:20261016T140759Z
LAST-MODIFIED:20261016T140759Z
UID:10968-1792404000-1792407600@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura Gonzalo Meyoyan
DESCRIPTION:Título: Probes selectivos en tokens y capas para clasificación eficiente en LLMs\nDirector: Luciano Del Corro\nJurados: Luciana Ferrer\, Iván Arcuschin \nResumen:\nLos sistemas de producción basados en modelos de lenguaje de gran escala (LLMs) suelen rodear al serving model de clasificadores auxiliares para tareas como la moderación de contenido\, lo que incrementa la latencia\, el consumo de memoria de GPU y la complejidad operacional. En esta tesis proponemos reutilizar el cómputo que el serving model ya realiza: entrenamos clasificadores livianos\, a los que denominamos probes selectivos\, sobre los estados ocultos del modelo\, y predecimos la etiqueta en el mismo forward que se utiliza para la generación\, manteniendo el modelo congelado. Formulamos la clasificación como un problema de selección de representación sobre el tensor completo de estados ocultos\, e introducimos una arquitectura de agregación en dos etapas que resume primero los tokens dentro de cada capa y luego las capas entre sí. \nEvaluamos sobre cinco benchmarks de moderación y de análisis de sentimiento y sobre tres familias de arquitecturas\, densas y de mezcla de expertos. Sobre Llama-3.2-3B congelado\, un probe de 92.000 parámetros entrenables alcanza 85\,98 de F1 en WildGuardMix\, por encima de guard models dedicados de 8.000 millones de parámetros. Bajo distribution shift\, entrenando sobre WildGuardMix y evaluando sobre ToxicChat\, nuestro probe más expresivo (35M) supera a WildGuard (7B)\, Aegis-Guard (8B) y GPT-4 utilizando 200× menos parámetros entrenables. \nEl mismo patrón se repite fuera del área de moderación\, en benchmarks de análisis de sentimiento. Un probe de 110.000 parámetros iguala a clasificadores dedicados de más de 350 millones\, tanto para clasificación binaria como multiclase. \nA esta ventaja de rendimiento se suma la de costo: evitar el segundo modelo hace el pipeline más de 3× más liviano en memoria de GPU y más de 2\,5× más rápido\, frente a un despliegue con guard models dedicados.
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-gonzalo-meyoyan/
LOCATION:Aula 1100
CATEGORIES:Agenda
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20261019T130000
DTEND;TZID=America/Sao_Paulo:20261019T140000
DTSTAMP:20261015T123756Z
CREATED:20261015T123756Z
LAST-MODIFIED:20261015T123756Z
UID:10966-1792414800-1792418400@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura  Ciro Juan Brignolo
DESCRIPTION:Título: Aislamiento del Módulo de Detección de Semáforos del Sistema de Conducción Autónoma Apollo\nDirectores: Víctor Braberman\, Sebastián Uchitel\nJurados: Gastón Castro\, Juan Perdomo \nResumen:\nTestear profundamente componentes de un sistema de guía autónoma de vehículos es difícil por diversos motivos. Por un lado suelen no tener un comportamiento correcto definido de manera precisa. Por otro lado\, el sistema que los integra suele ser de gran tamaño y complejidad impidiendo ejecutarlos y observarlos en condiciones controladas. Este trabajo propone un camino: elegir un subsistema crítico\, entender a fondo su código y reconstruirlo como una versión aislada y funcionalmente equivalente\, sobre la que se pueden diseñar tests que aprovechen ese conocimiento interno. El caso de estudio es el módulo de reconocimiento de semáforos de Apollo\, la plataforma de conducción autónoma de código abierto de Baidu.
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-ciro-juan-brignolo/
LOCATION:Aula a confirmar
CATEGORIES:Agenda
END:VEVENT
END:VCALENDAR