4701 articoli
Questo studio dimostra che un algoritmo neuromorfico nativamente a impulsi per la risoluzione di equazioni differenziali parziali possiede una robustezza intrinseca, tollerando fino al 32% di neuroni rimossi e al 90% di impulsi persi senza un significativo degrado dell'accuratezza.
Il paper presenta DUCTILE, un sistema di orchestrazione agenziale basato su LLM che automatizza l'analisi ingegneristica adattandosi a cambiamenti nei dati e nei processi sotto la supervisione umana, dimostrando efficacia e conformità in un contesto industriale aerospaziale.
Il paper propone un quadro unificato di apprendimento contrastivo cross-view che allinea le rappresentazioni globali delle immagini cerebrali e locali dei ROI in uno spazio latente condiviso, dimostrando che la loro integrazione migliora significativamente la classificazione dei disturbi cerebrali rispetto all'uso delle singole modalità.
Questo lavoro propone un nuovo framework ADMM plug-and-play che integra un denoiser AC-DC per risolvere le sfide di disallineamento geometrico e garantire la convergenza nell'utilizzo di modelli generativi basati su score per problemi inversi.
Questo articolo presenta un sistema progettato con un approccio human-centred che utilizza l'intelligenza artificiale conversazionale e una mappa interattiva per rendere accessibili e interrogabili in linguaggio naturale quasi 1,7 milioni di record di campioni digitalizzati del Museo Australiano di Storia Naturale.
Lo studio dimostra che l'entanglement quantistico offre un vantaggio competitivo negli agenti di apprendimento per rinforzo avversari, permettendo loro di superare le controparti separabili e di eguagliare o superare le prestazioni delle reti neurali classiche nel gioco di Pong.
Il paper propone HyMEM, una memoria strutturata ibrida e auto-evolutiva basata su grafi che combina nodi simbolici discreti e embedding continui per potenziare gli agenti GUI, permettendo a modelli open-source di dimensioni ridotte di superare le prestazioni di modelli proprietari avanzati.
Questo documento introduce il framework concettuale Simulation-in-the-Reasoning (SiR), che integra simulatori di dominio specifici nei cicli di ragionamento dei modelli linguistici per trasformare l'elaborazione ipotetica in un processo verificabile e fondato empiricamente, al fine di sviluppare sistemi di trasporto autonomo più affidabili.
Questo articolo presenta RINoBench, il primo benchmark completo per la valutazione su larga scala della capacità dei modelli linguistici di giudicare la novità delle idee di ricerca, rivelando che, nonostante le loro spiegazioni siano simili a quelle umane, le loro valutazioni finali divergono significativamente dagli standard umani.
Il paper presenta NasoVoce, un'interfaccia montata sul ponte del naso che integra microfoni e sensori di vibrazione per catturare segnali acustici e ossei, permettendo conversazioni vocali con l'IA sempre disponibili, discrete e robuste al rumore ambientale.
Il paper presenta PC-Diffuser, un framework di sicurezza che integra funzioni barriera certificate e consistenti con il percorso direttamente nel ciclo di denoising dei pianificatori di traiettoria basati su diffusione, garantendo così la generazione di piani autonomi sicuri e geometricamente fedeli senza ricorrere a correzioni post-hoc.
Lo studio dimostra che i reranker dotati di capacità di ragionamento non migliorano né peggiorano l'equità rispetto a quelli tradizionali, poiché tendono a preservare le caratteristiche di equità della classifica di input, indicando la necessità di futuri modelli specializzati nella consapevolezza degli attributi di equità.
Il paper propone CGVD, un framework di distillazione visiva senza addestramento che supera il "gap di precisione-raionamento" nei modelli VLA in ambienti affollati, migliorando significativamente il successo delle manipolazioni robotiche (dal 43,0% al 77,5%) attraverso la rimozione attiva dei distrattori semantici e la preservazione della geometria spaziale.
Il paper propone FairFAL, un framework di apprendimento attivo federato adattivo che supera le sfide dello sbilanciamento globale delle classi e dell'eterogeneità dei dati non-IID selezionando dinamicamente tra modelli locali e globali e utilizzando strategie di campionamento guidate da prototipi per migliorare le prestazioni finali.
Il paper propone DIBJudge, un framework di fine-tuning basato su un collo di bottiglia informativo disaccoppiato che isola e mitiga il bias di "translationese" nei modelli linguistici multilingue, migliorando significativamente la loro capacità di valutazione rispetto ai metodi esistenti.
Il paper presenta GenCC, un framework che sfrutta i modelli linguistici di grandi dimensioni (LLM) per generare automaticamente funzioni di utilità per il controllo della congestione, ottenendo prestazioni superiori del 37%-142% rispetto alle soluzioni esistenti.
Il paper presenta HEAL, un framework privo di RL che supera i limiti del "soffitto dell'insegnante" nella distillazione dei modelli di ragionamento integrando concetti pedagogici come la Zona di Sviluppo Prossimale con tre moduli chiave (GEAR, PURE e PACE) per riparare attivamente le traiettorie di ragionamento e guidare l'apprendimento progressivo dei modelli più piccoli.
Il paper propone un framework di fusione dinamica della conoscenza che, attraverso un encoder addestrato con apprendimento contrastivo e l'uso di prompt contestuali strutturati, migliora l'accuratezza e la generalizzazione nel tracciamento dello stato del dialogo su più domini, affrontando le sfide legate alla modellazione della storia conversazionale e alla scarsità di dati annotati.
Questo lavoro propone una riformulazione dei sistemi di raccomandazione generativi che, sostituendo l'interleaving dei token con le nuove architetture AttnLFA e AttnMVP, elimina le inefficienze strutturali modellando esplicitamente le dipendenze causali tra articoli e azioni, ottenendo così migliori prestazioni di valutazione e una riduzione significativa dei tempi di addestramento.
Questo articolo propone un framework per l'adattamento few-shot in ambienti non stazionari che stima uno stato ambientale latente chiamato "Trend ID" senza modificare i pesi del modello, utilizzando regolarizzazione temporale per garantire una transizione fluida e prevenire l'overfitting.