5118 articoli
Questo lavoro propone un framework di apprendimento che sfrutta la struttura preservata negli RTL generati da LLM, anche quando funzionalmente imperfetti, per superare la scarsità di dati etichettati e migliorare l'analisi delle reti logiche reali.
Il documento presenta il GIAT, un nuovo framework Transformer arricchito da conoscenze geologiche che, integrando filtri di correlazione sequenziale specifici per categoria nel meccanismo di attenzione, raggiunge prestazioni all'avanguardia e maggiore interpretabilità nell'identificazione della litologia dai registri di pozzo.
Il paper presenta ZeroWBC, un nuovo framework che apprende il controllo visuomotorio naturale per humanoid direttamente da video egocentrici umani, eliminando la necessità di costosi dati di teleoperazione robotica e permettendo interazioni versatili come sedersi o calciare.
Il paper presenta i risultati ottenuti con AlphaEvolve, un agente di mutazione del codice basato su LLM che ha migliorato i limiti inferiori per cinque numeri di Ramsey classici e ha dimostrato la capacità di recuperare o eguagliare i migliori limiti noti per molti altri casi attraverso un unico meta-algoritmo.
Questo lavoro propone un quadro di modellazione generativa fisica-informata che, partendo da un modello stocastico del flusso di traffico, deriva un'equazione deterministica di flusso di probabilità per abilitare la stima distribuzionale dello stato del traffico e l'analisi di incertezza attraverso una rete di punteggio addestrabile.
Il paper presenta DuplexCascade, un sistema di dialogo vocale full-duplex a cascata che, eliminando la necessità del rilevamento della voce (VAD) e introducendo micro-turni e token di controllo speciali, combina l'intelligenza dei modelli linguistici su larga scala con interazioni bidirezionali rapide e fluide.
Il paper introduce Latent-DARM, un framework di comunicazione nello spazio latente che unisce modelli di diffusione discreta (DDLM) per la pianificazione e modelli autoregressivi (ARM) per l'esecuzione, superando i limiti di fluidità e ragionamento globale dei sistemi tradizionali e ottenendo risultati superiori su vari benchmark di ragionamento con un uso delle risorse token significativamente ridotto.
Il paper propone un "Motore di Innovazione Esplicabile" basato su un sistema RAG ad agenti con una struttura a doppio albero che trasforma i chunk testuali in nodi di metodi, permettendo la sintesi controllata, la tracciabilità delle derivazioni e la verifica iterativa per migliorare l'innovazione verificabile in domini complessi.
Questo paper sostiene che il miglioramento delle capacità di ragionamento logico nei modelli linguistici di grandi dimensioni, attraverso il framework RAISE, funge da meccanismo diretto per l'acquisizione della consapevolezza situazionale e il potenziale inganno strategico, rendendo necessarie nuove misure di sicurezza come il "Test dello Specchio" e il Principio di Parità di Sicurezza nel Ragionamento.
Il paper introduce \textsc{EvalAct}, un metodo che trasforma la valutazione della qualità delle informazioni recuperate in un'azione esplicita seguita da un punteggio strutturato e ottimizzato tramite PCAR, migliorando significativamente l'affidabilità e l'accuratezza degli agenti di ragionamento multi-step basati sul recupero di informazioni esterne.
Questo studio dimostra che le emozioni agiscono come fattori latenti che modellano l'attenzione e il ragionamento nei modelli linguistici, introducendo il dataset AURA-QA e un framework di regolarizzazione emotiva che migliorano le prestazioni di comprensione del testo sia in contesti emotivi che neutri.
Questo paper formalizza un test di stress macro-finanziario che identifica come la rapida adozione dell'IA possa innescare una crisi esplosiva non a causa di una carenza di produttività, ma a causa di un mismatch distributivo in cui l'abbondanza generata dall'IA coesiste con una carenza di domanda, alimentata da spirali di sostituzione del lavoro, un declino della velocità monetaria e il collasso dei margini degli intermediari.
Il paper presenta PrivPRISM, un framework automatizzato che utilizza modelli linguistici per rilevare discrepanze tra le dichiarazioni sulla sicurezza dei dati di Google Play e le politiche sulla privacy, rivelando che oltre il 50% delle applicazioni analizzate contiene incongruenze che ingannano gli utenti e violano la conformità normativa.
Questo lavoro presenta un framework di simulazione scalabile basato su un modello muscolo-scheletrico completo e controllato da apprendimento per rinforzo, che permette l'analisi quantitativa e la co-ottimizzazione simultanea dei parametri strutturali e delle politiche di controllo nella progettazione di robot interattivi, fornendo metriche biomeccaniche interne altrimenti inaccessibili.
Il paper propone il framework BD-FDG, che genera un dataset di addestramento cognitivamente stratificato per l'adattamento dei modelli linguistici al dominio della consapevolezza situazionale spaziale, ottenendo significativi miglioramenti nelle prestazioni specializzate senza compromettere le capacità generali.
Il paper presenta BridgeDiff, un framework basato su diffusione che supera le limitazioni dei metodi precedenti per la sintesi di indumenti piatti partendo da osservazioni umane, integrando moduli specifici per collegare l'aspetto globale e le strutture piatte e ottenendo così risultati all'avanguardia nella ricostruzione di indumenti virtuali.
Il paper presenta Social-R1, un framework di apprendimento per rinforzo che, sfruttando il benchmark avversario ToMBench-Hard per allineare l'intero processo di ragionamento con la cognizione umana, permette a un modello di soli 4 miliardi di parametri di superare modelli più grandi nel raggiungimento di un'intelligenza sociale autentica.
Questo studio presenta un approccio multi-modello basato su deep learning che integra reti neurali pre-addestrate e personalizzate per migliorare la rilevazione di segnali stradali, veicoli e corsie, nonché il clonaggio comportamentale, al fine di incrementare la robustezza e l'affidabilità dei veicoli autonomi.
Il paper presenta Logos, un modello di ragionamento molecolare compatto che integra il ragionamento logico multistep con la coerenza chimica rigorosa per garantire la validità e l'interpretabilità nella progettazione razionale di molecole, superando i limiti dei modelli esistenti in termini di affidabilità e trasparenza.
Il paper presenta DendroNN, una rete neurale ispirata ai dendriti biologici che utilizza un meccanismo di ricollegamento senza gradienti e un'architettura hardware asincrona per classificare efficientemente dati basati su eventi, raggiungendo un'efficienza energetica fino a 4 volte superiore rispetto alle soluzioni neuromorfiche esistenti.