6348 articoli
Questo studio dimostra che l'inferenza basata sulla simulazione (SBI) è uno strumento efficace per la stima dei parametri dei modelli di interazione neutrino-nucleone, ottenendo un migliore adattamento ai dati sperimentali rispetto alle configurazioni precedentemente sintonizzate e mostrando la capacità di approssimare anche simulazioni con modelli fisici diversi.
Questo paper introduce il concetto di "profondità seriale opaca" per quantificare la capacità dei modelli linguistici di eseguire ragionamenti complessi senza passaggi intermedi interpretabili, fornendo limiti superiori calcolati per modelli come Gemma 3 e un metodo automatizzato per analizzare diverse architetture neurali.
Questo articolo propone un nuovo framework ibrido quantistico-classico che combina una rete LSTM con una Quantum Circuit Born Machine per migliorare l'accuratezza delle previsioni di volatilità finanziaria, dimostrando risultati superiori rispetto ai modelli classici puri su dati reali del mercato cinese.
Il paper propone ACP-SL, uno schema di apprendimento diviso che riduce l'overhead di comunicazione comprimendo i dati intermedi tramite una potatura adattiva dei canali basata su un punteggio di importanza consapevole dell'etichetta, ottenendo al contempo una maggiore accuratezza e un numero inferiore di round di addestramento rispetto alle soluzioni esistenti.
Il paper presenta MITRA, un assistente AI basato su Retrieval-Augmented Generation (RAG) ospitato on-premise per le collaborazioni scientifiche come CMS, che utilizza un'architettura a due livelli e tecniche di estrazione avanzate per recuperare in modo sicuro ed efficiente informazioni da vasti corpus di documentazione interna.
Il paper propone il "pseudo-proiettore", una modifica leggera ispirata al paradigma multigriglia che corregge le rappresentazioni nascoste dei modelli basati su transformer riducendo la sensibilità al rumore e migliorando la dinamica di addestramento e la robustezza senza alterare l'architettura di base.
Il paper introduce MA-EgoQA, un nuovo benchmark e un modello di base chiamato EgoMAS progettati per valutare e migliorare la capacità dei sistemi di intelligenza artificiale di comprendere e rispondere a domande basate su flussi video egocentrici simultanei provenienti da più agenti incarnati.
Questo articolo presenta SCENEBench, una nuova suite di benchmark progettata per valutare la comprensione audio dei modelli linguistici audio di grandi dimensioni (LALM) al di là del riconoscimento vocale, concentrandosi su scenari reali legati all'accessibilità e al monitoraggio industriale come la comprensione dei suoni ambientali, la localizzazione del rumore e il riconoscimento delle caratteristiche vocali.
Questo articolo presenta HR-GAT, un modello di rete neurale a attenzione gerarchica basato su grafi che utilizza dati geospaziali per prevedere la domanda di spettro radio, dimostrando una precisione superiore del 21% rispetto ad altri modelli in cinque città canadesi.
Questo articolo presenta il framework DAPL, che facilita l'apprendimento di politiche dinamiche consapevoli per abilitare la destrezza estrinseca in scenari affollati, superando i metodi esistenti grazie a una modellazione esplicita delle dinamiche indotte dal contatto e ottenendo risultati superiori sia in simulazione che nel mondo reale.
Il paper propone un nuovo approccio per l'apprendimento continuo basato sulla "Local Classifier Alignment" (LCA), una funzione di perdita che allinea i classificatori specifici per compito al backbone adattato, mitigando il fenomeno della catastrofica dimenticanza e ottenendo prestazioni superiori rispetto agli stati dell'arte su diversi benchmark.
Questo paper propone un framework innovativo che tratta i prompt come azioni parametrizzate per influenzare il comportamento e la dinamica delle conversazioni tra agenti basati su LLM senza necessità di addestramento, offrendo un approccio leggero e efficace per la simulazione sociale.
Il paper propone MSSR, un framework di replay esperienziale che stima la forza della memoria a livello di campione e pianifica la ripetizione adattiva per mitigare l'oblio catastrofico durante il fine-tuning continuo dei grandi modelli linguistici, ottenendo prestazioni superiori rispetto agli approcci esistenti.
Il paper presenta MedMASLab, un framework unificato e una piattaforma di benchmarking per sistemi multi-agente medici multimodali che affronta la frammentazione architettonica attraverso un protocollo di comunicazione standardizzato, un valutatore automatico del ragionamento clinico e un vasto benchmark su 473 malattie, rivelando al contempo una significativa fragilità delle attuali architetture nel transito tra diversi sottodomini medici.
Questo articolo presenta un approccio basato sull'intelligenza artificiale e sui dati per stimare la domanda di spettro radio, validato su cinque città canadesi, che consente ai regolatori di ottimizzare l'allocazione delle risorse e la pianificazione dinamica dello spettro.
Il paper presenta ACADiff, un framework basato su diffusione latente adattiva e consapevole dei dati clinici che sintetizza con successo le modalità di neuroimaging cerebrali mancanti (come sMRI, FDG-PET e AV45-PET) per migliorare la diagnosi dell'Alzheimer, ottenendo prestazioni superiori rispetto ai metodi esistenti anche in scenari con fino all'80% di dati mancanti.
Questo articolo presenta una metodologia basata sui dati e sull'apprendimento automatico per stimare le variazioni della domanda di spettro nello spazio e identificare i fattori chiave che la influenzano, offrendo ai regolatori approfondimenti cruciali per la gestione flessibile delle risorse nelle reti 6G.
Il paper presenta PathMem, un framework multimodale incentrato sulla memoria che, ispirandosi al processo cognitivo dei patologi umani, integra conoscenze strutturate e dinamiche per migliorare significativamente le prestazioni dei modelli linguistici multimodali nella diagnosi e nella generazione di report di patologia computazionale.
Il paper presenta k-MTR, un framework di apprendimento rappresentazionale che bypassa la ricostruzione delle immagini per eseguire direttamente analisi cardiache multi-task (come classificazione, regressione e segmentazione) dai dati k-space sottocampionati, allineandoli a uno spazio latente semantico condiviso con le immagini complete.
Questo studio dimostra che l'astensione basata sulla confidenza nei sistemi di decisione ordinata migliora la qualità solo in presenza di incertezza strutturale, mentre fallisce sotto l'incertezza contestuale, fornendo un protocollo diagnostico per selezionare il segnale di confidenza appropriato prima del dispiegamento.