4730 articoli
Questo studio introduce il concetto di "scrittura reattiva", evidenziando come la collaborazione con l'IA durante la stesura di testi sposti il focus dalla generazione autonoma di idee alla valutazione di suggerimenti esterni, portando inconsapevolmente gli autori a modificare le proprie opinioni pur percependo di mantenere il pieno controllo del testo.
Il paper propone i Causal Concept Graphs (CCG), una struttura a grafo aciclico diretto che mappa le dipendenze causali tra concetti nel latente di un LLM tramite autoencoder sparsi e apprendimento strutturale, dimostrando su diversi benchmark di ragionamento una fedeltà causale significativamente superiore rispetto ai metodi di tracciamento esistenti.
Questo paper estende le leggi di scalabilità neurale ai modelli Mixture-of-Experts, identificando una relazione a legge di potenza che determina l'allocazione ottimale delle risorse di calcolo tra i livelli di attenzione ed esperti per massimizzare le prestazioni entro un budget computazionale fisso.
Il paper introduce TRACED, un framework che valuta la qualità del ragionamento degli LLM analizzando le tracce di pensiero attraverso una prospettiva geometrica, distinguendo tra traiettorie stabili e avanzate (ragionamento corretto) e pattern instabili con bassa progressione (allucinazioni).
Questo articolo presenta un nuovo quadro di controllo probabilistico sicuro per l'interazione uomo-robot che combina le funzioni di barriera di controllo con il controllo del rischio conformale per fornire garanzie formali di sicurezza, adattando dinamicamente i margini di sicurezza in base al contesto e riducendo significativamente le collisioni rispetto ai metodi esistenti.
Questo articolo propone nuove tecniche di elicitarazione dell'incertezza basate sulle probabilità imprecise per permettere ai modelli linguistici di grandi dimensioni (LLM) di esprimere in modo più fedele sia l'incertezza di primo ordine sulle risposte che l'incertezza di secondo ordine sulla propria modellazione, superando i limiti degli approcci probabilistici classici.
Questo studio analizza le dinamiche di apprendimento delle reti lineari a due strati addestrate con SGD rumoroso sulle etichette, rivelando un comportamento in due fasi che spinge il modello dalla regione "lazy" a quella "ricca" e ne spiega il successo empirico nel migliorare la generalizzazione.
Questo articolo presenta PP-LUCB, un algoritmo che ottimizza la progettazione dei sistemi di servizio identificando la configurazione migliore con alta confidenza e riducendo i costi di audit umano, combinando valutazioni economiche ma distorte di modelli linguistici con verifiche mirate basate su prove testuali.
Il paper presenta STemDist, il primo metodo di distillazione dei dati progettato specificamente per le previsioni spaziotemporali, che comprime in modo bilanciato le dimensioni spaziali e temporali a livello di cluster per ridurre drasticamente tempi e risorse di addestramento mantenendo un'elevata accuratezza predittiva.
Questo lavoro propone un nuovo sistema di rilevamento delle intrusioni di rete basato su un ensemble multistrato che combina classificatori in stacking, un autoencoder e l'addestramento avversario per migliorare la robustezza contro gli attacchi generati tramite GAN e FGSM sui dataset UNSW-NB15 e NSL-KDD.
Il paper propone un nuovo framework di apprendimento adattivo per gli indicatori di salute che combina un campionamento sincronizzato delle fasi di degradazione e un autoencoder a fusione incrociata con kernel grandi per superare le discrepanze distributive e catturare dipendenze temporali a lungo termine, ottenendo risultati superiori su dataset industriali reali.
Il paper dimostra che la rimozione della componente di bias medio, che guida l'instabilità numerica nella formazione di modelli linguistici a bassa precisione, ripristina la stabilità e le prestazioni con un costo computazionale minimo rispetto ai metodi basati su SVD.
Il paper presenta FAR-Dex, un framework gerarchico che combina l'aumento dei dati few-shot con un affinamento adattivo dei residui per migliorare la coordinazione braccio-mano e raggiungere un'elevata destrezza manipolativa sia in simulazione che nel mondo reale.
Il paper presenta UniPINN, un framework unificato basato su reti neurali informate dalla fisica (PINN) che risolve le sfide dell'apprendimento multi-task per diverse equazioni di Navier-Stokes attraverso un'architettura condivisa-specializzata, un meccanismo di attenzione cross-flow e una strategia di allocazione dinamica dei pesi, garantendo così una maggiore accuratezza e stabilità rispetto ai metodi esistenti.
Il paper presenta G-STAR, un sistema end-to-end che combina un modulo di tracciamento speaker temporale con un Speech-LLM per generare trascrizioni attribuite con timestamp in contesti di parlato multi-parlante e sovrapposto, garantendo coerenza dell'identità a livello di riunione.
Il paper propone un framework unificato per la raccomandazione di notizie che modella l'evoluzione degli interessi degli utenti su due livelli temporali, combinando segnali globali a lungo termine con dinamiche locali a breve termine basate su sottografi temporali, superando così i limiti degli approcci statici esistenti.
Il paper introduce SearchLLM, il primo modello linguistico di grandi dimensioni progettato per la ricerca generativa aperta, che utilizza un sistema di ricompensa gerarchico e l'ottimizzazione GRPO per allineare le risposte alle preferenze degli utenti e garantire sicurezza, con risultati positivi dimostrati nel motore di ricerca di RedNote.
Questo lavoro propone un framework di allineamento multi-agente basato sulla negoziazione che, attraverso il gioco autonomo e l'ottimizzazione tramite RLAIF, permette ai modelli linguistici di risolvere conflitti di valori e allinearsi agli obiettivi dell'Agenzia Collettiva senza compromettere le capacità linguistiche generali.
Il paper introduce JEDI, un modello gerarchico che infere le dinamiche neurali condivise tra diversi compiti apprendendo uno spazio di embedding comune sui pesi delle reti ricorrenti, permettendo così di estrarre meccanismi robusti e generalizzabili sia da dati simulati che da registrazioni reali della corteccia motoria.
Questo studio dimostra che l'esposizione ingenua delle capacità di affinamento e ragionamento dei sistemi di IA generativa, accessibili tramite chatbot commerciali, mina alla base i rilevatori di deepfake attuali permettendo di generare immagini manipolate che eludono la rilevazione, preservano l'identità e mantengono un'alta qualità percettiva, rivelando una discrepanza strutturale tra i modelli di minaccia esistenti e le reali capacità delle IA.