2385 articoli
Questo lavoro introduce il framework "Gradient Flow Drifting", che stabilisce l'equivalenza tra il modello Drifting e il flusso di gradiente di Wasserstein della divergenza KL forward approssimata tramite KDE, estendendo il metodo a una famiglia più ampia di generatori basati su divergenze miste e varietà Riemanniane per prevenire collasso e sfocatura delle modalità.
Il paper propone il Framework di Apprendimento Retrospectivo Progressivo (PRF), un metodo modulare che affronta la previsione di traiettorie a lunghezza variabile nel contesto della guida autonoma allineando gradualmente le caratteristiche delle osservazioni incomplete a quelle complete tramite unità di distillazione e recupero, migliorando così l'accuratezza e l'efficienza dei dati.
Il paper presenta un nuovo framework per agenti basati su LLM che estrae automaticamente lezioni dalle traiettorie di esecuzione e le utilizza come memoria contestuale per migliorare le prestazioni future, ottenendo significativi aumenti nel completamento di compiti complessi.
Il paper propone la Ricompensa di Aspettativa Condizionata (CER), un nuovo metodo di apprendimento per rinforzo che utilizza il modello linguistico stesso come verificatore implicito per fornire segnali di ricompensa graduali e adattabili a domini generali, superando così i limiti delle regole di verifica rigide e basate su dominio.
Questo articolo presenta un approccio innovativo e spiegabile per rilevare ed eliminare i backdoor nelle reti neurali, basandosi sull'analisi dei percorsi attivi e validato attraverso esperimenti su un sistema di rilevamento delle intrusioni.
Questo articolo propone un nuovo framework che intercala schedulazione e pianificazione del movimento in un ciclo di apprendimento incrementale, utilizzando feedback simbolico per generare piani di navigazione multi-oggetto validi ed efficienti in spazi condivisi complessi.
Il paper propone ROVA, un nuovo framework di addestramento che migliora la robustezza dei modelli di ragionamento video contro perturbazioni del mondo reale attraverso una ricompensa di coerenza consapevole della robustezza e una strategia di addestramento adattiva, validata dal nuovo benchmark PVRBench.
Il paper presenta FAME, un nuovo metodo di spiegazione abductiva basato sull'interpretazione astratta che scala a grandi reti neurali riducendo le dimensioni delle spiegazioni attraverso domini di perturbazione dedicati e limiti LiRPA, garantendo al contempo qualità formale e prestazioni superiori rispetto a VERIX+.
Il documento presenta DxEvolve, un agente diagnostico auto-evolutivo che emula il processo cognitivo dei clinici attraverso un flusso di lavoro di ricerca clinica interattivo, ottenendo su diverse coorti prestazioni superiori rispetto ai modelli tradizionali e paragonabili a quelle degli esperti umani.
Questo articolo presenta un framework di modellazione digitale umana (DHM) indipendente dalla piattaforma che integra il sensore multimodale OpenBCI Galea e l'ambiente di gioco SuperTux per fornire dati fisiologici strutturati e sincronizzati, facilitando ricerche future sull'interazione AI e l'inclusività senza incorporare modelli di inferenza specifici.
Il paper propone "Contract And Conquer" (CAC), un metodo black-box che garantisce la generazione provabile di esempi avversari per reti neurali attraverso la distillazione della conoscenza su un dataset in espansione e la contrazione precisa dello spazio di ricerca, dimostrando prestazioni superiori rispetto agli stati dell'arte su ImageNet.
Questo lavoro propone un'architettura leggera per l'apprendimento federato cross-silo che garantisce l'integrità dell'aggregazione sfruttando segnali di verifica intrinseci, ottenuti tramite l'iniezione di backdoor e il fenomeno dell'oblio catastrofico, offrendo così un'alternativa efficiente e scalabile rispetto ai costosi metodi crittografici tradizionali.
Il paper propone RandMark, un metodo di watermarking casuale che utilizza una rete encoder-decoder per incorporare firme digitali nelle rappresentazioni interne dei modelli fondazionali visivi, permettendo una verifica sicura della proprietà intellettuale e il rilevamento delle copie funzionali.
Il paper presenta EvoSchema, un benchmark completo che introduce una nuova tassonomia di evoluzione degli schemi per valutare e migliorare la robustezza dei modelli Text-to-SQL contro i cambiamenti reali dei database, rivelando che le perturbazioni a livello di tabella hanno un impatto maggiore rispetto a quelle a livello di colonna e dimostrando che l'addestramento su schemi perturbati genera sistemi più resilienti.
Lo studio dimostra che l'utilizzo di dati strutturati collegati, in particolare pagine entità ottimizzate con istruzioni per agenti e collegamenti neurali, migliora significativamente l'accuratezza e la qualità delle risposte nei sistemi RAG tradizionali e agentic rispetto alla semplice elaborazione di testo piatto.
Il paper presenta AlphaFlowTSE, un modello generativo condizionale a un solo passo per l'estrazione della voce del parlante target che, grazie a un obiettivo AlphaFlow privo di prodotti vettore-Jacobiano e a una strategia di insegnamento-studente, migliora la fedeltà della voce estratta e la generalizzazione in scenari reali riducendo la latenza rispetto ai metodi iterativi.
Il paper propone PV-VASM, un framework probabilistico e agnostico rispetto al modello per verificare la robustezza dei sistemi di anti-spoofing vocale contro deepfake generati da TTS, clonazione vocale e trasformazioni parametriche, fornendo un limite teorico superiore sulla probabilità di errore.
Il paper propone la CTCNet, una rete di cognizione del traffico cross-spettrale che integra conoscenze normative e compensazione termica per migliorare la comprensione delle scene di traffico da UAV in condizioni avverse, accompagnata dal primo benchmark su larga scala "Traffic-VQA" che combina immagini ottiche e termiche.
Il paper presenta HIR-SDD, un nuovo framework per la rilevazione di deepfake vocali che combina i Large Audio Language Models con un ragionamento a catena di pensiero ispirato all'uomo, migliorando sia la generalizzazione su nuovi domini audio che l'interpretabilità delle previsioni.
Il paper introduce CUPID, un framework plug-in che stima congiuntamente l'incertezza aleatoria ed epistemica in qualsiasi modello pre-addestrato senza necessità di riaddestramento, offrendo così un approccio modulare e interpretabile per decisioni consapevoli del rischio in ambiti critici.