4988 articoli
Questo lavoro introduce la "capacità informativa", una nuova metrica che valuta l'efficienza inferenziale dei grandi modelli linguistici basandosi sulle prestazioni di compressione del testo e sull'efficienza del tokenizer, rivelando al contempo bias linguistici e fornendo uno strumento per prevedere le prestazioni e ottimizzare lo scaling futuro.
Il paper propone LTSV, un metodo leggero per la valutazione dei dati nelle serie temporali basato sui modelli fondazionali, che utilizza il fine-tuning in contesto e l'aggregazione di blocchi temporali per stimare in modo efficiente e preciso il contributo dei singoli campioni preservando le dipendenze temporali.
Il paper introduce MediRound, un modello e un nuovo dataset (MR-MedSeg) per la segmentazione medica basata su ragionamento multi-round a livello di entità, che supera i limiti dei metodi tradizionali a dialogo singolo attraverso un meccanismo di giudizio e correzione per mitigare la propagazione degli errori.
Il paper presenta un metodo di classificazione basato sull'apprendimento in contesto con modelli fondazione per serie temporali (TSFM) che, senza necessità di riaddestramento, valuta lo stato di salute dei cuscinetti analizzando dati vibrazionali, aprendo la strada a sistemi di manutenzione predittiva scalabili e forniti come servizio.
Questo studio presenta un chatbot basato sul modello linguistico Google Gemini 2.0 Flash che automatizza la generazione e la risoluzione di modelli di simulazione elettromagnetica bidimensionali tramite Gmsh e GetDP, riducendo significativamente i tempi di configurazione e offrendo funzionalità avanzate per la definizione di geometrie e post-processing.
Il paper propone l'Adaptive Diversity Cache (ADC), un modulo plug-and-play privo di addestramento che mitiga il bias a lunga coda nella rilevazione delle interazioni uomo-oggetto (HOI) accumulando rappresentazioni di feature diversificate e adattando dinamicamente la capacità di archiviazione per migliorare la rilevazione delle categorie rare senza richiedere ulteriore ottimizzazione.
Il paper propone un framework di apprendimento per rinforzo asincrono periodico che, separando l'inferenza dall'addestramento in un pipeline produttore-consumatore, accelera l'addestramento dei LLM mantenendo la correttezza on-policy e ottenendo un miglioramento del throughput fino a cinque volte rispetto ai framework esistenti.
Il paper presenta UPA-RFAS, un framework unificato che genera patch fisiche universali e trasferibili per attaccare modelli Vision-Language-Action in scenari black-box, sfruttando obiettivi nello spazio delle feature, un processo min-max robusto e perdite specifiche per il dominio VLA per garantire il successo dell'attacco su diverse architetture e compiti.
Il paper propone un nuovo framework di apprendimento per rinforzo multi-agente che utilizza un modello generalizzato vincolato alle comunicazioni come prior di apprendimento per distinguere tra messaggi persi e integri, disaccoppiandone l'impatto decisionale e quantificandolo nella ricompensa globale per migliorare la cooperazione in scenari reali complessi.
Il paper presenta ELERAG, un'architettura RAG potenziata dal Linking di Entità e da una strategia di riordinamento ibrida, che dimostra come l'integrazione di segnali fattuali basati su Wikidata migliori significativamente l'accuratezza nei sistemi di domanda-risposta educativi in italiano, superando i metodi tradizionali nei contesti specifici di dominio pur mantenendo prestazioni competitive su dataset generali.
Il documento presenta EMFusion, un framework di previsione probabilistica basato sulla diffusione condizionale che, integrando fattori contestuali e strategie di imputazione, supera le prestazioni dei modelli esistenti nella previsione selettiva in frequenza dei campi elettromagnetici, fornendo stime affidabili con quantificazione esplicita dell'incertezza per la pianificazione delle reti wireless.
Questo studio dimostra che un piccolo modello linguistico (SLM) come l'OPT-350M, opportunamente affinato tramite tecniche di Supervised Fine-Tuning, può superare le prestazioni dei grandi modelli (LLM) nel richiamo degli strumenti con un tasso di successo del 77,55%, offrendo una soluzione più economica ed efficiente per l'integrazione dell'IA generativa nei sistemi aziendali.
Il paper presenta SAGE, un nuovo framework di Reinforcement Learning che potenzia l'auto-miglioramento degli agenti basati su LLM integrando una libreria di competenze attraverso un meccanismo di rollout sequenziale e una ricompensa specifica, ottenendo risultati superiori in termini di accuratezza ed efficienza rispetto agli approcci esistenti.
Il paper presenta MCGI, un metodo di indicizzazione basato su grafi che risolve il problema della discrepanza tra metriche euclidee e geodetiche nei dati ad alta dimensionalità sfruttando la dimensionalità intrinseca locale per adattarsi dinamicamente alla geometria dei dati, ottenendo prestazioni superiori e scalabilità fino al miliardo di record su dischi.
Il paper introduce CRANE, un framework di analisi basato sulla rilevanza funzionale che, attraverso interventi mirati sui neuroni, identifica componenti specifiche delle lingue nei modelli multilingue con maggiore precisione rispetto ai metodi basati sull'attivazione, rivelando una specializzazione selettiva ma non esclusiva.
Il documento presenta la Modellazione Generativa Bayesiana (BGM), un quadro unificato basato sull'aggiornamento bayesiano stocastico iterativo che permette di inferire qualsiasi distribuzione condizionale arbitraria da un unico modello addestrato, garantendo al contempo stime di incertezza rigorose e solide basi teoriche.
Questo lavoro propone SpaceHMchat, un framework open-source di collaborazione uomo-intelligenza artificiale basato sul principio di allineamento delle capacità sottostanti, per gestire in modo olistico la salute dei sistemi di alimentazione spaziale nell'era delle mega-costellazioni, validato attraverso una piattaforma sperimentale realistica e un nuovo dataset pubblico che dimostra prestazioni eccellenti in compiti di riconoscimento, rilevamento, localizzazione e decisione.
Il paper presenta CLEAR-Mamba, un framework avanzato basato su MedMamba che integra un layer di condizionamento adattivo (HaC) e un meccanismo di previsione affidabile (RaP) per migliorare l'accuratezza, l'adattabilità e l'affidabilità nella classificazione multi-sequenza di angiografie oftalmiche FFA e ICGA, superando le limitazioni delle metodologie esistenti grazie a un nuovo dataset su larga scala.
Questo lavoro presenta un sistema automatizzato basato su agenti di ricerca web potenziati da LLM per generare e risolvere su larga scala domande di previsione diversificate e verificabili, dimostrando un'efficacia superiore rispetto alle piattaforme umane e migliorando le prestazioni degli agenti di previsione attraverso strategie di decomposizione delle domande.
Il paper presenta EigenData, un framework unificato che combina un agente di dati auto-evolutivo con un'apprendimento per rinforzo basato su verificatori per generare dati sintetici di alta qualità e addestrare agenti interattivi multi-turno in grado di utilizzare strumenti complessi, ottenendo prestazioni all'avanguardia su benchmark specifici senza costose annotazioni umane.