5008 articoli
Questo articolo propone un nuovo quadro teorico e metodologico per i casi di sicurezza dell'IA avanzata, criticando gli approcci attuali della comunità di allineamento e integrando lezioni tratte da settori ad alta criticità come l'aerospaziale e il nucleare per sviluppare argomentazioni più robuste e difendibili, con un caso di studio specifico su allineamento ingannevole e capacità CBRN.
Questo lavoro propone un framework di apprendimento per rinforzo multi-livello che, attraverso la compressione gerarchica dei processi decisionali e un curriculum didattico, facilita l'astrazione, la riduzione della stocasticità e il trasferimento di competenze tra diversi problemi e livelli di complessità.
Questo lavoro presenta un framework che utilizza un modello linguistico su larga scala per automatizzare il controllo e la misurazione dei qubit superconduttori, dimostrando la sua efficacia nella caratterizzazione autonoma dei risonatori e nella riproduzione di procedure di caratterizzazione quantistica non distruttiva.
Il paper presenta TDAD, una metodologia che tratta i prompt degli agenti AI come artefatti compilati, trasformando le specifiche comportamentali in test eseguibili e affinando iterativamente i prompt per garantire la conformità comportamentale e mitigare i rischi di regressione e spec gaming.
Il paper presenta Scale-Plan, un framework scalabile che combina modelli linguistici e pianificazione simbolica per generare rappresentazioni compatte di compiti multi-robot eterogenei, superando le limitazioni di allucinazione e scalabilità degli approcci esistenti attraverso la filtrazione delle informazioni irrilevanti e la validazione su un nuovo benchmark MAT2-THOR.
Lo studio dimostra che le metriche di recupero basate sulla copertura sono forti indicatori predittivi della completezza informativa nelle risposte generate dai sistemi RAG, specialmente quando gli obiettivi di recupero e generazione sono allineati.
Il documento presenta Fish Audio S2, un sistema open-source di sintesi vocale che supporta la generazione multi-parlante e multi-turno con controllo tramite istruzioni in linguaggio naturale, accompagnato da un motore di inferenza ottimizzato per lo streaming e risorse rilasciate pubblicamente.
Il paper introduce GenGNN, un framework modulare basato su message-passing che dimostra come encoder espressivi complessi non siano strettamente necessari per la generazione di grafi discreti, ottenendo validità e velocità di inferenza superiori rispetto ai modelli basati su transformer.
Il paper presenta MASEval, un framework-agnostic che estende la valutazione dei sistemi multi-agente dall'analisi dei soli modelli a quella dell'intero sistema, dimostrando come le scelte implementative abbiano un impatto sulle prestazioni pari a quella della scelta del modello.
Il paper presenta MuCTaL, un framework di localizzazione tumorale leggero e addestrato su quattro tipi di cancro che, pur mostrando una buona generalizzazione su un quinto tipo non visto, dimostra come l'addestramento bilanciato su scala moderata possa ottenere prestazioni elevate per l'analisi digitale delle patologie.
Il documento presenta il LLM Delegate Protocol (LDP), un protocollo di comunicazione nativo per l'intelligenza artificiale che introduce identità dei modelli, tracciamento della provenienza e sessioni governate per abilitare una delega più efficiente e controllabile nei sistemi multi-agente, dimostrando attraverso un'implementazione su JamJet significativi miglioramenti nella latenza e nell'efficienza dei token, sebbene con risultati contrastanti sulla qualità complessiva e la necessità di verifica per i metadati di fiducia.
Questo studio identifica tre proprietà strutturali misurabili—l'allineamento con euristiche greedy, la semplicità della composizione interna e la rappresentazione visiva ordinata—che guidano le preferenze umane per soluzioni interpretabili in problemi di ottimizzazione combinatoria, fornendo una base per bilanciare ottimalità e comprensibilità nei sistemi di supporto decisionale.
Questo studio presenta un'analisi controllata di come profondità di ricerca, strategie di recupero e budget di completamento influenzino l'accuratezza e i costi nei sistemi RAG agenziali vincolati da budget, fornendo linee guida pratiche per la configurazione di tali pipeline.
Il paper propone FSbuHD, un nuovo modello di selezione delle caratteristiche basato sulla teoria degli insiemi fuzzy-rough per sistemi informativi ibridi, che supera le limitazioni computazionali e il rumore dei metodi tradizionali riformulando il problema come un'ottimizzazione risolvibile tramite algoritmi meta-euristici e operando in modalità normale e ottimista.
Il paper propone NetDiffuser, un nuovo framework che utilizza modelli di diffusione e una categorizzazione delle caratteristiche per generare esempi avversari naturali capaci di ingannare i sistemi di rilevamento delle intrusioni di rete basati sull'apprendimento profondo con un successo significativamente superiore rispetto alle tecniche esistenti.
Questo lavoro presenta un'analisi esaustiva di nove famiglie di limiti per la previsione selettiva e introduce il "Transfer-Informed Betting" (TIB), un metodo innovativo che combina sequenze di scommesse basate su martingale con il trasferimento di conoscenza tra domini per ottenere garanzie di rischio più strette in scenari con dati scarsi, dimostrando superiorità empirica su diversi benchmark rispetto ai metodi conformali e alle tecniche esistenti.
Il paper propone FedLECC, una strategia di selezione dei client per l'Apprendimento Federato che, combinando la similarità nella distribuzione delle etichette e la perdita locale, migliora significativamente l'accuratezza e riduce l'overhead di comunicazione in scenari con dati non-IID.
Questo lavoro propone il primo approccio completamente differenziabile per scoprire le "Strong Lottery Tickets" utilizzando porte di Bernoulli rilassate in modo continuo, permettendo di ottenere reti neurali sparse fino al 90% con perdita minima di accuratezza attraverso l'ottimizzazione end-to-end dei parametri di gating senza modificare i pesi inizializzati.
Questo studio dimostra che le metriche di visibilità nei motori di ricerca generativi sono intrinsecamente variabili e non deterministiche, sostenendo la necessità di adottare un framework statistico che includa stime di incertezza e intervalli di confidenza invece di affidarsi a misurazioni puntuali singole.
Questo studio introduce un benchmark sintetico e propone un approccio innovativo che utilizza modelli visione-linguaggio fondazionali (Gemma 3 e Qwen3-VL) per generare automaticamente configurazioni JSON per simulazioni di piante da immagini di droni, offrendo un framework scalabile per la creazione di gemelli digitali in agricoltura.