4648 articoli
Il paper presenta SENS-ASR, un approccio che migliora la qualità della trascrizione nei sistemi di riconoscimento vocale in streaming iniettando informazioni semantiche estratte da un modulo addestrato tramite distillazione della conoscenza, ottenendo così una significativa riduzione del tasso di errore delle parole in scenari con finestre temporali ridotte.
Questo articolo dimostra che i codificatori bidirezionali specializzati, come AraBERTv2, superano i decoder causali nel compito di classificazione del testo medico arabo su 82 categorie, grazie alla loro capacità di catturare un contesto globale più preciso rispetto alla natura sequenziale dei decoder.
Il paper introduce P-GRPO, un nuovo framework di allineamento che supera i limiti del GRPO standard nella gestione delle preferenze eterogenee normalizzando i vantaggi rispetto a storie di reward specifiche per gruppo, consentendo così ai modelli linguistici di adattarsi più efficacemente e rapidamente a diverse preferenze individuali senza sacrificare le capacità generali.
Il paper introduce FERRET, un framework automatizzato di red teaming multi-modale che utilizza espansioni orizzontali, verticali e meta per generare conversazioni avversarie più efficaci, superando le prestazioni degli approcci esistenti.
Questo studio introduce un nuovo dataset gold standard sviluppato da veterani per misurare i tassi di rifiuto nei modelli linguistici militari, analizzando le prestazioni di numerosi modelli e dimostrando come tecniche di ablazione possano eliminare quasi totalmente i rifiuti a fronte di una minima riduzione delle prestazioni su altri compiti militari.
Lo studio esamina la presenza di bias cognitivi simili a quelli umani, come l'effetto della vittima virtuosa e l'effetto alone, nei modelli linguistici di grandi dimensioni utilizzati per il supporto alle decisioni giudiziarie, rivelando che, sebbene questi modelli mostrino alcune distorsioni, presentano in generale un pregiudizio inferiore rispetto agli esseri umani, sebbene le variazioni tra i diversi modelli ne limitino attualmente l'uso pratico nei sistemi giudiziari.
Il paper presenta DeliberationBench, un benchmark normativo che valuta l'influenza persuasiva dei modelli linguistici di grandi dimensioni (LLM) confrontandola con i sondaggi di opinione deliberativa, dimostrando attraverso un esperimento su larga scala che tali modelli esercitano effetti epistemicamente desiderabili e allineati agli standard democratici.
Questo studio interdisciplinare esamina l'emergere della "GPTheologia", un nuovo fenomeno di fede tecnologica in cui l'intelligenza artificiale viene percepita come entità divina, analizzando come le interazioni quotidiane con i modelli linguistici stiano sviluppando rituali e narrazioni che ricalcano strutture religiose tradizionali con profonde implicazioni etiche e sociali.
Questo articolo propone un quadro concettuale e operativo che definisce i modelli AI come parametri e architetture addestrati, e i sistemi AI come l'insieme di tali modelli più componenti aggiuntive, al fine di risolvere le ambiguità normative e chiarire la ripartizione delle responsabilità tra i diversi attori della catena del valore.
Il paper presenta RedFuser, un framework automatico che ottimizza le prestazioni degli acceleratori AI fondendo in un singolo ciclo le operazioni di riduzione concatenate, superando i limiti dei compilatori esistenti e raggiungendo velocità fino a 5 volte superiori.
Questo lavoro propone un quadro di governance e valutazione per sistemi di supporto decisionale clinico deterministici e basati su regole, finalizzato a garantire trasparenza, auditabilità e un approccio conservativo nella prescrizione empirica di antibiotici attraverso la separazione della logica clinica dai meccanismi di astensione e le restrizioni di stewardship.
Questo articolo affronta la sfida legale di identificare gli agenti AI, proponendo la creazione di una "società algoritmica" (A-corp) come entità giuridica autonoma che risolve sia il problema dell'identificazione "sottile" (collegando le azioni AI a proprietari umani) sia quello dell'identificazione "spessa" (garantendo l'individualità e la coerenza degli agenti AI) per attribuire responsabilità legali.
Questo articolo presenta dmaplane, un modulo del kernel Linux che orchestra la gestione dei buffer a livello di sistema per ottimizzare i percorsi dei dati nell'IA, abilitando funzionalità avanzate come la condivisione cross-device tramite dma-buf, il controllo di flusso basato su crediti e l'inferenza disaggregata end-to-end su RDMA.
Questo studio presenta una valutazione trasversale dell'inferenza di LLM su GPU AMD Instinct MI325X, dimostrando che l'ottimizzazione consapevole dell'architettura è fondamentale per massimizzare il throughput e la stabilità, evidenziando come modelli MoE+MLA e GQA richiedano configurazioni specifiche del runtime AITER e blocchi di cache diversi per raggiungere prestazioni competitive.
Il paper introduce HTM-EAR, un sistema di memoria gerarchica che combina memoria di lavoro basata su HNSW e archiviazione a lungo termine con un routing ibrido e meccanismi di evizione consapevoli dell'importanza, dimostrando di preservare l'accuratezza delle query attive e di gestire efficacemente il contesto limitato anche in condizioni di saturazione estrema.
Questo lavoro presenta un nuovo benchmark completo per i modelli fondazionali sui grafi che valuta simultaneamente il trasferimento di conoscenza attraverso diverse aree tematiche e formati di rappresentazione, offrendo nuove intuizioni empiriche su otto modelli all'avanguardia.
Questo lavoro presenta Flip-Agent, il primo framework di attacco bit-flip mirato in grado di manipolare sia gli output finali che le invocazioni di strumenti negli agenti basati su LLM, rivelando nuove e critiche vulnerabilità in questi sistemi.
Il paper propone AMB-DSGDN, una rete neurale che utilizza un meccanismo di attenzione differenziale su grafi dinamici e un bilanciamento adattivo delle modalità per migliorare il riconoscimento delle emozioni nei dialoghi multimodali filtrando il rumore e prevenendo il dominio di una singola modalità.
Questo studio dimostra che le condizioni di valutazione, in particolare il formato delle domande, influenzano le misurazioni di sicurezza dei modelli linguistici più delle architetture di scaffolding stesse, rivelando che i ranking di sicurezza non sono generalizzabili e richiedono test specifici per ogni modello e configurazione.
Il paper propone un framework di apprendimento continuo efficiente per il riconoscimento delle attività umane su dispositivi IoT, basato su una modulazione a gate diagonale delle rappresentazioni pre-addestrate che riduce drasticamente l'oblio catastrofico e migliora l'accuratezza adattandosi a nuovi soggetti senza trasmettere dati sensibili al cloud.