7179 articoli
Il paper presenta OrthoFormer, un'architettura Transformer basata su variabili strumentali e funzioni di controllo neurale che integra l'identificazione causale direttamente nei blocchi del modello per superare i limiti dell'apprendimento correlazionale e garantire robustezza nei confronti di cambiamenti nella distribuzione dei dati.
Questo articolo propone un quadro metodologico per lo stress testing regolamentare che, decomponendo l'incertezza in componenti di stima e confondimento, permette inferenze controfattuali trasparenti su percorsi macroeconomici ipotetici e quantifica la robustezza delle previsioni di perdita creditizia.
Il paper presenta HLER, un'architettura multi-agente che automatizza la ricerca empirica in economia integrando un controllo umano critico e una generazione di ipotesi consapevole dei dati, ottenendo così la produzione di manoscritti completi a costi ridotti con un alto tasso di fattibilità delle domande di ricerca.
Il paper presenta Dial, un sistema NL2SQL basato sulla conoscenza che supera le limitazioni dei metodi esistenti nel gestire diversi dialetti SQL attraverso una pianificazione logica consapevole del dialetto, una base di conoscenza gerarchica e un ciclo di verifica semantica, dimostrando miglioramenti significativi nell'accuratezza e nella copertura delle funzionalità su un nuovo benchmark multi-database.
Il paper presenta Backdoor4Good (B4G), un nuovo framework e benchmark che ripropone i meccanismi di backdoor nei grandi modelli linguistici come strumenti controllabili e auditabili per migliorare la sicurezza, l'accountability e la controllabilità dei sistemi di intelligenza artificiale.
Questo articolo offre un'analisi tecnica completa dell'evoluzione dei modelli di generazione delle immagini, esaminando le architetture fondamentali, le tecniche di ottimizzazione, le limitazioni e le recenti applicazioni nella generazione video, con un focus particolare sulla sicurezza e sulla responsabilità nel loro utilizzo.
Questo studio evidenzia un divario nelle aspettative tra lavoratori freelance e clienti riguardo all'uso dell'IA, rivelando che i lavoratori tendono a una disclosure passiva basata su una falsa percezione di rilevabilità, mentre i clienti preferiscono una comunicazione proattiva, situazione aggravata dalla mancanza di politiche chiare che mina la fiducia e richiede linee guida più definite.
Questo lavoro presenta un framework di valutazione del rischio a livello di sistema per le applicazioni basate su LLM, che combina modellazione sistemica, alberi di attacco-difesa e scoring CVSS per identificare punti critici condivisi e ottimizzare le difese in scenari complessi come quelli sanitari.
Questo lavoro introduce il Dual-Stream Transformer, un'architettura che scompone il flusso residuo in due componenti funzionalmente distinte per bilanciare interpretabilità e prestazioni, dimostrando che strategie di mixing controllate permettono di mantenere una generazione robusta pur esponendo la struttura interna del modello.
Il paper propone un nuovo framework centrato sull'uomo che ridefinisce la distribuzione fuori dal dominio (OOD) come uno spettro di difficoltà percettiva umana, rivelando come l'allineamento tra modelli di intelligenza artificiale e umani vari in modo significativo a seconda del livello di sfida percettiva e dell'architettura del modello.
Questo lavoro propone un framework di adattamento leggero per modelli di potenziamento vocale che, aggiornando meno dell'1% dei parametri tramite adattatori a basso rango e apprendimento auto-supervisionato, migliora significativamente la robustezza in scenari acustici reali dinamici con costi computazionali ridotti.
Questo studio presenta un framework condizionale basato su trasformatori di diffusione che genera ensemble eterogenei di strutture genomiche tridimensionali di *E. coli*, guidati da mappe di contatto Hi-C, superando i limiti dei modelli deterministici per ricostruire la diversità conformazionale del genoma.
Questo studio evidenzia come la mancanza di autenticazione dell'identità del chiamante nei sistemi MCP basati su LLM crei gravi vulnerabilità di sicurezza, permettendo l'accesso non autorizzato a strumenti sensibili a causa della fiducia implicita nelle autorizzazioni persistenti.
Lo studio dimostra che i modelli linguistici pre-addestrati possono recuperare e generalizzare la conoscenza tassonomica (iperonimi) in modelli visione-linguaggio anche in assenza di evidenze esplicite durante l'addestramento, grazie alla sinergia tra coerenza degli input visivi e indizi derivati dal linguaggio.
Il paper propone e valida l'architettura LFA, che garantisce l'interpretabilità per progettazione mantenendo separati i flussi di struttura simbolica e semantica contestuale fino all'output, dimostrando così una maggiore stabilità e modularità funzionale rispetto ai transformer standard.
Questo lavoro propone un sistema end-to-end innovativo che ottimizza congiuntamente il riconoscimento dei concetti, la classificazione dell'asserzione e l'estrazione delle relazioni nei testi clinici, superando significativamente le prestazioni dei metodi a pipeline tradizionali e stabilendo una nuova baseline per la ricerca futura.
Il documento presenta il framework HAE, che organizza la sicurezza degli agenti AI in tre livelli gerarchici (cognitivo, esecutivo e collettivo) per affrontare le nuove vulnerabilità introdotte dall'autonomia decisionale e guidare lo sviluppo di architetture difensive multilivello.
Il paper introduce SeDa, un sistema unificato che aggrega oltre 7,6 milioni di dataset da più di 200 piattaforme per abilitare la scoperta, l'annotazione semantica e la navigazione contestuale basata su entità, superando i limiti delle attuali soluzioni di ricerca in termini di copertura, tempestività e tracciabilità.
Questo articolo stabilisce un legame preciso tra i modelli di "drifting" e quelli basati sul punteggio (score-based), dimostrando che il campo di spostamento medio con kernel Gaussiano coincide con la differenza dei punteggi su distribuzioni smussate e fornendo una decomposizione esatta e limiti di errore per kernel radiali generali, incluso il kernel Laplace.
Il paper presenta InterReal, un framework unificato di apprendimento per imitazione basato sulla fisica che permette ai robot umanoidi di apprendere e eseguire in modo robusto complesse interazioni uomo-oggetto nel mondo reale, superando i limiti delle soluzioni esistenti grazie a tecniche di augmentazione dei dati e un apprenditore automatico delle ricompense.