6628 articoli
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.
Questo studio introduce l'indicatore di sovrapposizione-sottosopraffazione (OUI) come segnale strutturale precoce per discriminare i tassi di apprendimento ottimali nell'algoritmo PPO, rivelando asimmetrie distintive tra le reti attore e critico e permettendo una selezione efficiente delle configurazioni di addestramento prima del completamento.
Il paper introduce i "neural debugger", modelli linguistici addestrati a emulare i debugger tradizionali per prevedere l'esecuzione del codice Python in modo interattivo e condizionale, aprendo la strada a sistemi di coding autonomi più avanzati.
Questo studio dimostra che, al contrario degli esseri umani, il processo di ragionamento aumenta la coerenza onesta nei modelli linguistici di grandi dimensioni, poiché lo spazio rappresentativo sottostante rende le risposte ingannevoli metastabili e più suscettibili di destabilizzazione rispetto a quelle oneste.
Il paper presenta BEACON, un metodo che supera i limiti delle tecniche di navigazione basate su immagini prevedendo mappe di affordanza in vista dall'alto (BEV) per identificare target nascosti da ostacoli, ottenendo un miglioramento significativo rispetto allo stato dell'arte grazie alla fusione di cue spaziali e modelli visione-linguaggio.
Questo studio estende l'equazione delle api per modellare come valenza ed eccitazione emotiva modulino i tassi di interazione in uno sciame, rivelando come la contagione emotiva e i punti di svolta strutturali influenzino la velocità e l'esito dei processi decisionali collettivi.
Questo studio presenta un assistente guidato da un modello linguistico di grandi dimensioni per rendere la realtà virtuale accessibile a persone non vedenti o ipovedenti, rivelando attraverso un test con 16 partecipanti che la percezione dell'assistente evolve da strumento a compagno sociale a seconda del contesto, fornendo così raccomandazioni progettuali per il futuro.
Questo paper introduce il modello Bag-of-Words Superposition (BOWS) per dimostrare che, nei dati reali, le correlazioni tra le caratteristiche permettono agli interferenze nella sovrapposizione di essere costruttive anziché solo rumorose, generando così strutture semantiche e cicliche che spiegano meglio il comportamento dei modelli linguistici reali rispetto alle teorie basate su caratteristiche non correlate.
Questo articolo presenta due approcci di rilevamento dei punti di cambiamento basati su reti neurali e apprendimento online, caratterizzati da complessità computazionale lineare e prestazioni superiori rispetto agli algoritmi esistenti su dati sintetici e reali, con una dimostrazione teorica della loro convergenza verso soluzioni ottimali.
Questo articolo offre una panoramica completa sull'Automated Reinforcement Learning (AutoRL), esaminando la letteratura esistente, le recenti tecniche basate sui grandi modelli linguistici, le potenziali integrazioni future e le sfide aperte nel campo dell'automazione della modellazione, della selezione degli algoritmi e dell'ottimizzazione degli iperparametri per l'apprendimento per rinforzo.
Questo lavoro propone un modello di classificazione basato su sottosequenze e consapevole dell'incertezza dei dati, che combina prestazioni elevate con l'interpretabilità per l'analisi delle serie temporali astronomiche, offrendo agli esperti di dominio la possibilità di ispezionare le previsioni e ispirare nuovi sviluppi nella modellazione astrofisica.
Questa rassegna esamina i recenti progressi dei grandi modelli linguistici (LLM), analizzando il loro background, le tecniche principali e le applicazioni in quattro aree chiave: pre-addestramento, adattamento, utilizzo e valutazione delle capacità, oltre a fornire risorse e discutere le sfide future.
Questa rassegna esamina l'applicazione della teoria dell'utilità alla modellazione cognitiva nella robotica, analizzando l'evoluzione dai sistemi basati sul comportamento alle architetture cognitive e ai sistemi di valore, con particolare attenzione al processo decisionale, all'apprendimento e all'interazione in ambienti multi-agente e uomo-robot, proponendo infine nuove direzioni di ricerca e problemi aperti.
Il paper propone un algoritmo basato su loop per la pianificazione e il routing online senza conflitti di veicoli guidati automatici (AGV) in grafi a loop, dimostrando sperimentalmente che esso supera o eguaglia le prestazioni di metodi esatti ed euristiche in termini di qualità della soluzione e tempo di calcolo.
Il paper introduce Agent-OM, un nuovo framework basato su agenti LLM che utilizza due agenti siamesi e strumenti specifici per il matching di ontologie, dimostrando prestazioni competitive su compiti semplici e significativamente superiori su compiti complessi e few-shot rispetto agli stati dell'arte attuali.
Questo articolo offre una panoramica incentrata sull'apprendimento automatico del Computerized Adaptive Testing (CAT), esaminando come le tecniche di ML possano ottimizzare i modelli di misurazione, la selezione delle domande e il controllo dei test per creare sistemi più robusti, equi ed efficienti rispetto ai metodi psicometrici tradizionali.