4807 articoli
Questo lavoro propone un'architettura leggera per l'apprendimento federato cross-silo che garantisce l'integrità dell'aggregazione sfruttando segnali di verifica intrinseci, ottenuti tramite l'iniezione di backdoor e il fenomeno dell'oblio catastrofico, offrendo così un'alternativa efficiente e scalabile rispetto ai costosi metodi crittografici tradizionali.
Il paper propone RandMark, un metodo di watermarking casuale che utilizza una rete encoder-decoder per incorporare firme digitali nelle rappresentazioni interne dei modelli fondazionali visivi, permettendo una verifica sicura della proprietà intellettuale e il rilevamento delle copie funzionali.
Il paper presenta EvoSchema, un benchmark completo che introduce una nuova tassonomia di evoluzione degli schemi per valutare e migliorare la robustezza dei modelli Text-to-SQL contro i cambiamenti reali dei database, rivelando che le perturbazioni a livello di tabella hanno un impatto maggiore rispetto a quelle a livello di colonna e dimostrando che l'addestramento su schemi perturbati genera sistemi più resilienti.
Lo studio dimostra che l'utilizzo di dati strutturati collegati, in particolare pagine entità ottimizzate con istruzioni per agenti e collegamenti neurali, migliora significativamente l'accuratezza e la qualità delle risposte nei sistemi RAG tradizionali e agentic rispetto alla semplice elaborazione di testo piatto.
Il paper presenta AlphaFlowTSE, un modello generativo condizionale a un solo passo per l'estrazione della voce del parlante target che, grazie a un obiettivo AlphaFlow privo di prodotti vettore-Jacobiano e a una strategia di insegnamento-studente, migliora la fedeltà della voce estratta e la generalizzazione in scenari reali riducendo la latenza rispetto ai metodi iterativi.
Il paper propone PV-VASM, un framework probabilistico e agnostico rispetto al modello per verificare la robustezza dei sistemi di anti-spoofing vocale contro deepfake generati da TTS, clonazione vocale e trasformazioni parametriche, fornendo un limite teorico superiore sulla probabilità di errore.
Il paper propone la CTCNet, una rete di cognizione del traffico cross-spettrale che integra conoscenze normative e compensazione termica per migliorare la comprensione delle scene di traffico da UAV in condizioni avverse, accompagnata dal primo benchmark su larga scala "Traffic-VQA" che combina immagini ottiche e termiche.
Il paper presenta HIR-SDD, un nuovo framework per la rilevazione di deepfake vocali che combina i Large Audio Language Models con un ragionamento a catena di pensiero ispirato all'uomo, migliorando sia la generalizzazione su nuovi domini audio che l'interpretabilità delle previsioni.
Il paper introduce CUPID, un framework plug-in che stima congiuntamente l'incertezza aleatoria ed epistemica in qualsiasi modello pre-addestrato senza necessità di riaddestramento, offrendo così un approccio modulare e interpretabile per decisioni consapevoli del rischio in ambiti critici.
Il paper propone un'architettura di autoencoder basata sull'apprendimento profondo per il calcolo distribuito randomizzato (DeepRDFC) che minimizza la distanza di variazione totale rispetto a una distribuzione target sconosciuta, ottenendo guadagni significativi nel carico di comunicazione rispetto ai metodi di compressione dei dati.
Il paper introduce i "Super Neurons", un metodo di probing che utilizza le attivazioni scalari dirette dei primi token nei livelli più superficiali dei modelli visione-linguaggio per ottenere classificatori ad alte prestazioni con un'accelerazione fino a 5,10 volte rispetto alla rete originale.
Questo articolo presenta un framework di intelligenza artificiale che, combinando una strategia di suddivisione dei dati contestuale e una correzione degli errori spaziali, migliora l'accuratezza della previsione della domanda di traffico cellulare per la pianificazione delle reti 5G/6G, riducendo il rischio di leakage spaziale e garantendo una migliore generalizzazione.
Questo articolo presenta un modello basato su Graph Neural Networks (HR-GAT) che stima la domanda di spettro a livello locale utilizzando dati pubblici, migliorando significativamente l'efficienza della gestione e dell'allocazione delle risorse wireless.
Questo articolo propone un framework di valutazione della sicurezza per i modelli linguistici nel settore finanziario, basato su un punteggio di danno aggiustato per il rischio (RAHS) e un processo di red-teaming automatizzato, che dimostra come l'interazione adattiva prolungata e la stocasticità nella decodifica aumentino la probabilità di ottenere divulgazioni finanziarie gravi e operativamente rilevanti.
Il documento propone la "Nurture-First Development" (NFD), un nuovo paradigma che sostituisce i tradizionali approcci ingegneristici sequenziali con un processo evolutivo in cui gli agenti AI specializzati vengono cresciuti attraverso interazioni conversazionali strutturate con esperti umani, consolidando periodicamente la conoscenza tacita in asset riutilizzabili tramite un ciclo di "cristallizzazione della conoscenza".
Il paper introduce MCCOP, un framework che utilizza l'ottimizzazione latente guidata da modelli di diffusione per generare modifiche minimali e biologicamente plausibili alle sequenze proteiche, consentendo di invertire le previsioni dei modelli di deep learning verso stati desiderati e fornendo così indicazioni attuabili per l'ingegneria proteica.
Questo lavoro valuta la capacità di identificazione vocale dei modelli linguistici multimodali, proponendo un protocollo di valutazione unificato e un metodo di augmentation leggero che integra embedding speaker per ottenere prestazioni di verifica vocale competitive mantenendo un'interfaccia linguistica naturale.
Il paper presenta BALD-SAM, un framework di apprendimento attivo che adatta il principio di disaccordo bayesiano (BALD) alla selezione spaziale dei prompt nel Segment Anything Model (SAM), permettendo di identificare automaticamente le regioni più informative per iterazioni di segmentazione interattiva e ottenendo prestazioni superiori rispetto a prompt umani e baselines in 14 dei 16 dataset testati.
Il paper introduce REFINED-BIAS, un nuovo framework di valutazione che risolve le instabilità e le ambiguità del benchmark di conflitto di indizi esistente, fornendo diagnosi più affidabili e interpretabili dei bias forma-testo nelle reti neurali attraverso cue pairs bilanciati e una metrica basata sul ranking su tutto lo spazio delle etichette.
Questo articolo presenta la prima soluzione per la rilevazione della presenza umana sui laptop commerciali che utilizza esclusivamente l'hardware Wi-Fi integrato, introducendo una nuova tecnica chiamata spettro Doppler filtrato per la distanza (RF-DS) e un framework di elaborazione adattiva per garantire precisione, privacy e basso consumo energetico senza richiedere sensori esterni o infrastrutture di rete.