7179 articoli
Il paper introduce FinToolBench, il primo benchmark eseguibile al mondo per valutare agenti LLM nell'uso di strumenti finanziari reali, colmando il divario tra le attuali valutazioni statiche e le esigenze dinamiche, ad alto rischio e conformi alle normative del settore finanziario.
Questo studio propone un metodo di rilevamento dei pregiudizi nei modelli linguistici finanziari più efficiente e meno costoso, dimostrando che l'analisi incrociata tra diversi modelli permette di identificare fino al 73% dei comportamenti distorti utilizzando solo il 20% delle coppie di input necessarie per i metodi tradizionali.
Il paper presenta SAIL, un framework che migliora l'apprendimento per imitazione nei robot attraverso una ricerca iterativa basata su Monte Carlo Tree Search e un modello linguistico-visivo, permettendo di aumentare il tasso di successo fino al 95% sfruttando una maggiore potenza di calcolo al momento del test.
Il paper propone SCL-GNN, un nuovo framework di Graph Neural Networks che migliora la generalizzazione su dati IID e OOD identificando e mitigando le correlazioni spurie tramite il criterio HSIC e un'ottimizzazione bi-livello.
Questo studio su larga scala, condotto su 172 miliardi di token con il metodo RIKER, rivela che i modelli linguistici mostrano tassi di allucinazione non trascurabili che aumentano drasticamente con la lunghezza del contesto, mentre la scelta del modello è il fattore dominante rispetto a temperatura, dimensioni o piattaforma hardware.
Il paper propone AdaCultureSafe, un nuovo framework e dataset che integra conoscenze culturali specifiche per migliorare la sicurezza culturale dei modelli linguistici, rivelando che la sicurezza non deriva automaticamente dalla conoscenza e presentando un metodo per fondere attivamente i due aspetti nella generazione delle risposte.
Il paper propone TA-RNN-Medical-Hybrid, un framework di deep learning time-aware e interpretabile che integra codifiche temporali continue e rappresentazioni mediche standardizzate per migliorare l'accuratezza e la trasparenza nella previsione del rischio di mortalità in terapia intensiva.
Questo studio valuta l'efficacia delle revisioni di proposte di sovvenzione basate su LLM attraverso perturbazioni strutturate, rivelando che l'approccio sezione per sezione supera le alternative ma che i sistemi attuali mostrano variabilità e priorità di valutazione disallineate, risultando più adatti al controllo di conformità che alla valutazione olistica.
Questo articolo presenta BladeChain, un sistema basato su blockchain che garantisce la tracciabilità immutabile delle ispezioni delle pale dei motori aeronautici, integrando l'endorsement multi-stakeholder, la pianificazione automatizzata e la provenienza dei modelli di intelligenza artificiale per migliorare l'auditabilità e la sicurezza nella manutenzione aerea.
Lo studio rivela che, a differenza della discesa del gradiente, l'ottimizzazione Sharpness-Aware Minimization (SAM) su reti lineari profonde presenta un bias implicito complesso in cui la normalizzazione del gradiente amplifica inizialmente le caratteristiche minori prima di favorire quelle dominanti, dimostrando che le analisi basate sul limite temporale infinito sono insufficienti per descrivere la dinamica di apprendimento.
Questo articolo propone un quadro unificato per il ragionamento matematico multimodale, analizzando sistematicamente l'estrazione, l'allineamento, il ragionamento e la valutazione dei dati, al fine di superare le attuali limitazioni nella comprensione dei diagrammi e nella verifica dei passaggi intermedi.
Questo lavoro propone l'uso di Reti Neurali Istruite da Grafi (GINN) per simulare in modo efficiente e accurato equazioni differenziali alle derivate parziali parametriche con condizioni al contorno variabili, superando i limiti delle tecniche di riduzione d'ordine tradizionali e offrendo una soluzione scalabile rispetto alle architetture completamente connesse.
Il paper propone un metodo di generazione CT guidato dal testo che, integrando un approccio di recupero per estrarre annotazioni anatomiche da casi clinici simili, migliora la fedeltà anatomica e il controllo spaziale rispetto ai modelli basati solo sul testo.
Questo articolo presenta un nuovo metodo di fine-tuning che guida i Vision Transformers verso correlazioni semantiche basate su concetti, utilizzando maschere generate automaticamente da LLM e VLM per migliorare la robustezza del modello rispetto a spostamenti distributivi.
Questo studio presenta un'ampia analisi comparativa tra umani e intelligenza artificiale nel riconoscimento di azioni egocentriche, rivelando che gli esseri umani dipendono fortemente da cue semantici critici e sparsi, mentre i modelli AI mostrano una degradazione più graduale basata su feature contestuali e una minore sensibilità alle perturbazioni temporali.
Il paper presenta CORE-Acu, un framework neuro-simbolico che integra tracce di ragionamento strutturate e un grafo di conoscenza per la verifica della sicurezza, garantendo interpretabilità e zero violazioni di sicurezza nei sistemi di supporto decisionale clinico per l'agopuntura.
Questo studio dimostra come una collaborazione neurosimbolica tra un agente AI basato su LLM, strumenti di calcolo simbolico e guida umana abbia portato alla scoperta di un nuovo limite inferiore rigoroso per lo squilibrio dei quadrati latini nel caso , un risultato formalmente verificato in Lean 4.
Il paper presenta EndoSERV, un innovativo sistema di navigazione robotica endoluminale basato sulla visione che combina mappatura segmento-struttura e trasferimento reale-virtuale per garantire una localizzazione precisa in ambienti anatomici complessi e deformabili, anche in assenza di etichette di posa reali.
Il paper introduce SPD-RAG, un framework gerarchico multi-agente che migliora la qualità e la scalabilità della risposta a domande complesse su documenti multipli delegando l'elaborazione a agenti dedicati per documento e sintetizzando i risultati tramite un coordinatore, ottenendo prestazioni superiori rispetto ai metodi RAG tradizionali con costi API ridotti.
Il paper propone DS-DGA-GCN, un nuovo modello di apprendimento su grafi che combina diversità, similarità e meccanismi di attenzione dinamica per rilevare con alta precisione gruppi di recensori falsi in reti dinamiche, superando le prestazioni degli stati dell'arte su dataset reali come Amazon e Xiaohongshu.