7009 articoli
Il paper introduce GraphSkill, un framework agentic che migliora il ragionamento su grafi complessi tramite un recupero gerarchico guidato dalla documentazione e un agente di autodebugging, validato su un nuovo dataset dedicato.
Questo studio valuta empiricamente modelli statistici e di deep learning per la previsione del carico elettrico a PJM, dimostrando che l'architettura Transformer, basata sull'attenzione, supera ARIMA, LSTM e BiLSTM con un errore percentuale medio (MAPE) del 3,8%.
Il documento presenta la Teoria dello Spazio di Esplorazione (EST), un quadro formale basato sulla teoria degli spazi di conoscenza e sull'analisi dei concetti formali che modella le dipendenze prerequisito tra punti di interesse per garantire raccomandazioni strutturalmente valide, spiegabili e ottimali all'interno di sistemi di raccomandazione basati sulla posizione.
Questo articolo propone un modello di reti neurali su grafo basato sull'apprendimento collettivo per imputare i dati mancanti sulle condizioni del manto stradale, sfruttando le relazioni di dipendenza tra sezioni adiacenti per superare i limiti dei metodi tradizionali.
Il paper introduce Grouter, un metodo di instradamento preemptive che decuplica l'ottimizzazione strutturale dagli aggiornamenti dei pesi nei modelli Mixture-of-Experts (MoE) per accelerare significativamente la convergenza e il throughput dell'addestramento.
Questo paper applica principi fisici ed economici per quantificare il costo termodinamico dei token nell'IA, stabilendo un bilancio globale tra risorse energetiche e domanda computazionale che rivela come il limite fondamentale non sia la quantità di domande risolvibili, ma la capacità umana di determinare quali domande valga la pena porre.
Il paper introduce SmartBench, il primo dataset e benchmark per valutare le capacità dei grandi modelli linguistici (LLM) nel rilevare e gestire stati anomali e contesti comportamentali nelle case intelligenti, rivelando che i modelli attuali mostrano prestazioni insufficienti in questo compito critico.
Il paper introduce HEARTS, un benchmark unificato che valuta le capacità di ragionamento gerarchico dei modelli linguistici su serie temporali sanitarie, rivelando che le attuali LLM faticano a gestire la complessità temporale e le dipendenze a lungo termine rispetto ai modelli specializzati.
Il paper presenta RECAP, una strategia di apprendimento bio-ispirata che combina dinamiche di reservoir non addestrate con un meccanismo di lettura Hebbiano auto-organizzante per ottenere una classificazione di immagini robusta senza ricorrere alla retropropagazione dell'errore.
Il paper introduce SR-TTT, un modello di linguaggio che risolve il problema della perdita di informazioni nei metodi Test-Time Training puri, integrando un meccanismo di memoria residua a gate basato sulla sorpresa per preservare in modo efficiente i token critici mantenendo un footprint di memoria costante.
Questo articolo presenta un framework di apprendimento federato consapevole della fiducia che utilizza un meccanismo di valutazione e filtraggio adattivo per migliorare la stabilità e l'accuratezza dell'interpretazione delle fasi di guarigione ossea in ambienti e-Health distribuiti, mitigando efficacemente l'impatto di partecipanti inaffidabili o ostili.
Questo articolo presenta un nuovo framework per l'orchestrazione IBN nelle reti 5G e 6G basato su un'architettura multi-agente gerarchica che, pur mantenendo una precisione di traduzione simile tra LLM e SLM, dimostra come l'uso di SLM possa accelerare il ciclo di vita IBN del 20%.
Il paper introduce ObjChangeVR-Dataset e il framework ObjChangeVR, un sistema basato su modelli linguistici multimodali che combina recupero temporale e viewpoint-aware con ragionamento incrociato per rilevare e spiegare i cambiamenti di stato degli oggetti in ambienti VR da prospettive egocentriche continue, superando le limitazioni delle interazioni dirette e delle assenze di benchmark precedenti.
Il paper presenta HURRI-GAN, un approccio innovativo basato sulle reti generative avversarie (GAN) che corregge i bias dei modelli fisici di simulazione degli uragani, consentendo previsioni di mareggiate e venti più rapide e accurate anche in aree oltre la portata delle stazioni di rilevamento tradizionali.
Il paper propone la Geodesic Gradient Descent (GGD), un ottimizzatore generico privo di learning rate che approssima la geometria della funzione obiettivo tramite sfere n-dimensionali per garantire che le traiettorie di aggiornamento rimangano sulla superficie, ottenendo risultati superiori rispetto ad Adam su diversi dataset.
Il paper presenta PaLMR, un framework che allinea il processo di ragionamento multimodale attraverso dati percettivamente coerenti e una funzione di ricompensa gerarchica, riducendo le allucinazioni visive e migliorando l'affidabilità dei modelli senza comprometterne le prestazioni.
Il paper introduce FCBNet, un modello efficiente per la segmentazione delle infestanti basato su un backbone ConvNeXt congelato e un blocco di correzione delle caratteristiche, che supera le prestazioni di modelli esistenti in termini di accuratezza e efficienza computazionale su immagini aeree multispettrali.
Il paper presenta GameVerse, un benchmark che dimostra come i modelli visione-linguaggio possano migliorare le proprie strategie di gioco attraverso un ciclo di riflessione basato su video, combinando traiettorie di fallimento e tutorial esperti in un approccio privo di addestramento analogo al reinforcement learning e al fine-tuning supervisionato.
Questo capitolo esamina il potenziale dell'intelligenza artificiale generativa per migliorare l'alfabetizzazione scientifica nel percorso K-16+, proponendo un'architettura che garantisca coerenza tra insegnamento, apprendimento e valutazione delle conoscenze e del ragionamento scientifico, pur affrontando le sfide concettuali e pratiche di tale integrazione.
Il paper propone Graph-of-Mark (GoM), una tecnica di prompting visivo basata su grafi che sovrappone scene grafiche alle immagini per migliorare le capacità di ragionamento spaziale dei modelli linguistici multimodali, ottenendo risultati significativamente superiori rispetto ai metodi esistenti.