2385 articoli
Il paper presenta NasoVoce, un'interfaccia montata sul ponte del naso che integra microfoni e sensori di vibrazione per catturare segnali acustici e ossei, permettendo conversazioni vocali con l'IA sempre disponibili, discrete e robuste al rumore ambientale.
Il paper presenta PC-Diffuser, un framework di sicurezza che integra funzioni barriera certificate e consistenti con il percorso direttamente nel ciclo di denoising dei pianificatori di traiettoria basati su diffusione, garantendo così la generazione di piani autonomi sicuri e geometricamente fedeli senza ricorrere a correzioni post-hoc.
Lo studio dimostra che i reranker dotati di capacità di ragionamento non migliorano né peggiorano l'equità rispetto a quelli tradizionali, poiché tendono a preservare le caratteristiche di equità della classifica di input, indicando la necessità di futuri modelli specializzati nella consapevolezza degli attributi di equità.
Il paper propone CGVD, un framework di distillazione visiva senza addestramento che supera il "gap di precisione-raionamento" nei modelli VLA in ambienti affollati, migliorando significativamente il successo delle manipolazioni robotiche (dal 43,0% al 77,5%) attraverso la rimozione attiva dei distrattori semantici e la preservazione della geometria spaziale.
Il paper propone FairFAL, un framework di apprendimento attivo federato adattivo che supera le sfide dello sbilanciamento globale delle classi e dell'eterogeneità dei dati non-IID selezionando dinamicamente tra modelli locali e globali e utilizzando strategie di campionamento guidate da prototipi per migliorare le prestazioni finali.
Il paper propone DIBJudge, un framework di fine-tuning basato su un collo di bottiglia informativo disaccoppiato che isola e mitiga il bias di "translationese" nei modelli linguistici multilingue, migliorando significativamente la loro capacità di valutazione rispetto ai metodi esistenti.
Il paper presenta GenCC, un framework che sfrutta i modelli linguistici di grandi dimensioni (LLM) per generare automaticamente funzioni di utilità per il controllo della congestione, ottenendo prestazioni superiori del 37%-142% rispetto alle soluzioni esistenti.
Il paper presenta HEAL, un framework privo di RL che supera i limiti del "soffitto dell'insegnante" nella distillazione dei modelli di ragionamento integrando concetti pedagogici come la Zona di Sviluppo Prossimale con tre moduli chiave (GEAR, PURE e PACE) per riparare attivamente le traiettorie di ragionamento e guidare l'apprendimento progressivo dei modelli più piccoli.
Il paper propone un framework di fusione dinamica della conoscenza che, attraverso un encoder addestrato con apprendimento contrastivo e l'uso di prompt contestuali strutturati, migliora l'accuratezza e la generalizzazione nel tracciamento dello stato del dialogo su più domini, affrontando le sfide legate alla modellazione della storia conversazionale e alla scarsità di dati annotati.
Questo lavoro propone una riformulazione dei sistemi di raccomandazione generativi che, sostituendo l'interleaving dei token con le nuove architetture AttnLFA e AttnMVP, elimina le inefficienze strutturali modellando esplicitamente le dipendenze causali tra articoli e azioni, ottenendo così migliori prestazioni di valutazione e una riduzione significativa dei tempi di addestramento.
Questo articolo propone un framework per l'adattamento few-shot in ambienti non stazionari che stima uno stato ambientale latente chiamato "Trend ID" senza modificare i pesi del modello, utilizzando regolarizzazione temporale per garantire una transizione fluida e prevenire l'overfitting.
Questo studio introduce il concetto di "scrittura reattiva", evidenziando come la collaborazione con l'IA durante la stesura di testi sposti il focus dalla generazione autonoma di idee alla valutazione di suggerimenti esterni, portando inconsapevolmente gli autori a modificare le proprie opinioni pur percependo di mantenere il pieno controllo del testo.
Il paper propone i Causal Concept Graphs (CCG), una struttura a grafo aciclico diretto che mappa le dipendenze causali tra concetti nel latente di un LLM tramite autoencoder sparsi e apprendimento strutturale, dimostrando su diversi benchmark di ragionamento una fedeltà causale significativamente superiore rispetto ai metodi di tracciamento esistenti.
Questo paper estende le leggi di scalabilità neurale ai modelli Mixture-of-Experts, identificando una relazione a legge di potenza che determina l'allocazione ottimale delle risorse di calcolo tra i livelli di attenzione ed esperti per massimizzare le prestazioni entro un budget computazionale fisso.
Il paper introduce TRACED, un framework che valuta la qualità del ragionamento degli LLM analizzando le tracce di pensiero attraverso una prospettiva geometrica, distinguendo tra traiettorie stabili e avanzate (ragionamento corretto) e pattern instabili con bassa progressione (allucinazioni).
Questo articolo presenta un nuovo quadro di controllo probabilistico sicuro per l'interazione uomo-robot che combina le funzioni di barriera di controllo con il controllo del rischio conformale per fornire garanzie formali di sicurezza, adattando dinamicamente i margini di sicurezza in base al contesto e riducendo significativamente le collisioni rispetto ai metodi esistenti.
Questo articolo propone nuove tecniche di elicitarazione dell'incertezza basate sulle probabilità imprecise per permettere ai modelli linguistici di grandi dimensioni (LLM) di esprimere in modo più fedele sia l'incertezza di primo ordine sulle risposte che l'incertezza di secondo ordine sulla propria modellazione, superando i limiti degli approcci probabilistici classici.
Questo studio analizza le dinamiche di apprendimento delle reti lineari a due strati addestrate con SGD rumoroso sulle etichette, rivelando un comportamento in due fasi che spinge il modello dalla regione "lazy" a quella "ricca" e ne spiega il successo empirico nel migliorare la generalizzazione.
Questo articolo presenta PP-LUCB, un algoritmo che ottimizza la progettazione dei sistemi di servizio identificando la configurazione migliore con alta confidenza e riducendo i costi di audit umano, combinando valutazioni economiche ma distorte di modelli linguistici con verifiche mirate basate su prove testuali.
Il paper presenta STemDist, il primo metodo di distillazione dei dati progettato specificamente per le previsioni spaziotemporali, che comprime in modo bilanciato le dimensioni spaziali e temporali a livello di cluster per ridurre drasticamente tempi e risorse di addestramento mantenendo un'elevata accuratezza predittiva.