2385 articoli
Questo lavoro propone un nuovo sistema di rilevamento delle intrusioni di rete basato su un ensemble multistrato che combina classificatori in stacking, un autoencoder e l'addestramento avversario per migliorare la robustezza contro gli attacchi generati tramite GAN e FGSM sui dataset UNSW-NB15 e NSL-KDD.
Il paper propone un nuovo framework di apprendimento adattivo per gli indicatori di salute che combina un campionamento sincronizzato delle fasi di degradazione e un autoencoder a fusione incrociata con kernel grandi per superare le discrepanze distributive e catturare dipendenze temporali a lungo termine, ottenendo risultati superiori su dataset industriali reali.
Il paper dimostra che la rimozione della componente di bias medio, che guida l'instabilità numerica nella formazione di modelli linguistici a bassa precisione, ripristina la stabilità e le prestazioni con un costo computazionale minimo rispetto ai metodi basati su SVD.
Il paper presenta FAR-Dex, un framework gerarchico che combina l'aumento dei dati few-shot con un affinamento adattivo dei residui per migliorare la coordinazione braccio-mano e raggiungere un'elevata destrezza manipolativa sia in simulazione che nel mondo reale.
Il paper presenta UniPINN, un framework unificato basato su reti neurali informate dalla fisica (PINN) che risolve le sfide dell'apprendimento multi-task per diverse equazioni di Navier-Stokes attraverso un'architettura condivisa-specializzata, un meccanismo di attenzione cross-flow e una strategia di allocazione dinamica dei pesi, garantendo così una maggiore accuratezza e stabilità rispetto ai metodi esistenti.
Il paper presenta G-STAR, un sistema end-to-end che combina un modulo di tracciamento speaker temporale con un Speech-LLM per generare trascrizioni attribuite con timestamp in contesti di parlato multi-parlante e sovrapposto, garantendo coerenza dell'identità a livello di riunione.
Il paper propone un framework unificato per la raccomandazione di notizie che modella l'evoluzione degli interessi degli utenti su due livelli temporali, combinando segnali globali a lungo termine con dinamiche locali a breve termine basate su sottografi temporali, superando così i limiti degli approcci statici esistenti.
Il paper introduce SearchLLM, il primo modello linguistico di grandi dimensioni progettato per la ricerca generativa aperta, che utilizza un sistema di ricompensa gerarchico e l'ottimizzazione GRPO per allineare le risposte alle preferenze degli utenti e garantire sicurezza, con risultati positivi dimostrati nel motore di ricerca di RedNote.
Questo lavoro propone un framework di allineamento multi-agente basato sulla negoziazione che, attraverso il gioco autonomo e l'ottimizzazione tramite RLAIF, permette ai modelli linguistici di risolvere conflitti di valori e allinearsi agli obiettivi dell'Agenzia Collettiva senza compromettere le capacità linguistiche generali.
Il paper introduce JEDI, un modello gerarchico che infere le dinamiche neurali condivise tra diversi compiti apprendendo uno spazio di embedding comune sui pesi delle reti ricorrenti, permettendo così di estrarre meccanismi robusti e generalizzabili sia da dati simulati che da registrazioni reali della corteccia motoria.
Questo studio dimostra che l'esposizione ingenua delle capacità di affinamento e ragionamento dei sistemi di IA generativa, accessibili tramite chatbot commerciali, mina alla base i rilevatori di deepfake attuali permettendo di generare immagini manipolate che eludono la rilevazione, preservano l'identità e mantengono un'alta qualità percettiva, rivelando una discrepanza strutturale tra i modelli di minaccia esistenti e le reali capacità delle IA.
Questo lavoro propone un framework ibrido leggero per il gioco delle Amazzoni che integra un autoencoder con attenzione su grafi e modelli linguistici di grandi dimensioni per generare dati sintetici e ottimizzare la ricerca ad albero, dimostrando come tale approccio superi sia i metodi tradizionali che il modello teacher stesso in ambienti con risorse computazionali limitate.
Il paper introduce IH-Challenge, un dataset di addestramento basato sul reinforcement learning che migliora significativamente la gerarchia delle istruzioni e la robustezza contro gli attacchi nei modelli linguistici avanzati, riducendo al contempo i comportamenti insicuri senza comprometterne l'utilità.
Questo articolo presenta un framework di apprendimento per rinforzo multi-agente basato su PPO per coordinare flotte di droni nella consegna di forniture mediche critiche, dimostrando attraverso dati reali che l'approccio classico supera le strategie asincrone nel gestire scenari dinamici e incerti.
Lo studio valuta la sensibilità di 11 modelli fondazionali promptabili per la segmentazione di CT muscoloscheletriche, rivelando che le prestazioni variano significativamente in base alla strategia di prompting e alla complessità anatomica, e che l'uso di prompt umani reali porta a un calo delle prestazioni rispetto ai prompt ideali, rendendo complessa la selezione del modello ottimale per scenari clinici guidati dall'uomo.
Il paper introduce SCORE, un'architettura ricorrente discreta che sostituisce l'impilamento classico dei livelli con aggiornamenti contrattivi ispirati alle equazioni differenziali ordinarie, condividendo i pesi per ridurre i parametri e accelerare l'addestramento in diverse tipologie di reti neurali.
Questo lavoro presenta un nuovo framework guidato dal linguaggio per l'analisi cognitiva dei difetti nei materiali compositi CFRP tramite termografia a infrarossi attiva, che utilizza modelli visione-linguaggio preaddestrati e un adattatore specializzato per abilitare il rilevamento e la localizzazione dei difetti in modalità zero-shot senza la necessità di costosi dataset di addestramento.
Questo articolo propone un nuovo framework di auto-affinamento senza ricompensa che utilizza un meccanismo di riflessione bi-perspettiva per permettere ad agenti basati su modelli generativi di internalizzare l'esperienza e ottimizzare il controllo dinamico dello slicing delle reti RAN, superando le limitazioni dei metodi di apprendimento per rinforzo tradizionali e degli agenti LLM esistenti in termini di efficienza, stabilità e ottimizzazione multi-obiettivo.
Il paper "CUAAudit" valuta l'efficacia dei modelli visione-linguaggio come auditor autonomi per agenti di uso computer, rivelando che, nonostante buone prestazioni generali, questi modelli mostrano limitazioni significative in ambienti complessi e un'alta variabilità nei giudizi, sottolineando la necessità di considerare l'affidabilità e l'incertezza degli evaluatori nel deployment reale.
Contrariamente all'ipotesi che l'allineamento dei modelli linguistici richieda algoritmi orientati alla diversità, questo studio empirico dimostra che i metodi di massimizzazione della ricompensa (RLVR) sono ugualmente efficaci per il ragionamento morale, poiché le risposte ad alto valore in questo dominio tendono a concentrarsi in uno spazio semantico ristretto piuttosto che distribuirsi diversamente come nel ragionamento matematico.