2385 articoli
Il paper propone un'architettura di autoencoder basata sull'apprendimento profondo per il calcolo distribuito randomizzato (DeepRDFC) che minimizza la distanza di variazione totale rispetto a una distribuzione target sconosciuta, ottenendo guadagni significativi nel carico di comunicazione rispetto ai metodi di compressione dei dati.
Il paper introduce i "Super Neurons", un metodo di probing che utilizza le attivazioni scalari dirette dei primi token nei livelli più superficiali dei modelli visione-linguaggio per ottenere classificatori ad alte prestazioni con un'accelerazione fino a 5,10 volte rispetto alla rete originale.
Questo articolo presenta un framework di intelligenza artificiale che, combinando una strategia di suddivisione dei dati contestuale e una correzione degli errori spaziali, migliora l'accuratezza della previsione della domanda di traffico cellulare per la pianificazione delle reti 5G/6G, riducendo il rischio di leakage spaziale e garantendo una migliore generalizzazione.
Questo articolo presenta un modello basato su Graph Neural Networks (HR-GAT) che stima la domanda di spettro a livello locale utilizzando dati pubblici, migliorando significativamente l'efficienza della gestione e dell'allocazione delle risorse wireless.
Questo articolo propone un framework di valutazione della sicurezza per i modelli linguistici nel settore finanziario, basato su un punteggio di danno aggiustato per il rischio (RAHS) e un processo di red-teaming automatizzato, che dimostra come l'interazione adattiva prolungata e la stocasticità nella decodifica aumentino la probabilità di ottenere divulgazioni finanziarie gravi e operativamente rilevanti.
Il documento propone la "Nurture-First Development" (NFD), un nuovo paradigma che sostituisce i tradizionali approcci ingegneristici sequenziali con un processo evolutivo in cui gli agenti AI specializzati vengono cresciuti attraverso interazioni conversazionali strutturate con esperti umani, consolidando periodicamente la conoscenza tacita in asset riutilizzabili tramite un ciclo di "cristallizzazione della conoscenza".
Il paper introduce MCCOP, un framework che utilizza l'ottimizzazione latente guidata da modelli di diffusione per generare modifiche minimali e biologicamente plausibili alle sequenze proteiche, consentendo di invertire le previsioni dei modelli di deep learning verso stati desiderati e fornendo così indicazioni attuabili per l'ingegneria proteica.
Questo lavoro valuta la capacità di identificazione vocale dei modelli linguistici multimodali, proponendo un protocollo di valutazione unificato e un metodo di augmentation leggero che integra embedding speaker per ottenere prestazioni di verifica vocale competitive mantenendo un'interfaccia linguistica naturale.
Il paper presenta BALD-SAM, un framework di apprendimento attivo che adatta il principio di disaccordo bayesiano (BALD) alla selezione spaziale dei prompt nel Segment Anything Model (SAM), permettendo di identificare automaticamente le regioni più informative per iterazioni di segmentazione interattiva e ottenendo prestazioni superiori rispetto a prompt umani e baselines in 14 dei 16 dataset testati.
Il paper introduce REFINED-BIAS, un nuovo framework di valutazione che risolve le instabilità e le ambiguità del benchmark di conflitto di indizi esistente, fornendo diagnosi più affidabili e interpretabili dei bias forma-testo nelle reti neurali attraverso cue pairs bilanciati e una metrica basata sul ranking su tutto lo spazio delle etichette.
Questo articolo presenta la prima soluzione per la rilevazione della presenza umana sui laptop commerciali che utilizza esclusivamente l'hardware Wi-Fi integrato, introducendo una nuova tecnica chiamata spettro Doppler filtrato per la distanza (RF-DS) e un framework di elaborazione adattiva per garantire precisione, privacy e basso consumo energetico senza richiedere sensori esterni o infrastrutture di rete.
Il paper presenta EvoKernel, un framework agenziale auto-evolutivo basato su un approccio di memoria guidata dal valore che supera la scarsità di dati nella sintesi di kernel per architetture NPU, migliorando drasticamente la correttezza e le prestazioni attraverso un processo di stesura iniziale e raffinamento continuo.
Il paper presenta un Filtro a Particelle con Punti di Riferimento Semantici (SLPF) che integra la rilevazione di tronchi e pali con dati LiDAR e GNSS per risolvere il problema dell'aliasing percettivo e garantire una localizzazione robotica robusta nelle vigne, superando significativamente le prestazioni dei sistemi basati solo sulla geometria o sulla visione.
Il paper propone , un modello di valore generalista che fonde adattivamente una previsione a priori con medie empiriche da rollouts sparsi tramite test statistici in tempo reale, ottenendo una stima del baseline a bassa varianza che supera significativamente GRPO e DAPO su sei benchmark di ragionamento matematico.
Il paper presenta GRACE, un simulatore e benchmark unificato per la pianificazione di percorsi multi-robot che consente confronti trasparenti e riproducibili tra diversi livelli di astrazione (griglia, roadmap e continuo) per valutare i compromessi tra fedeltà del modello e scalabilità.
Il paper presenta un nuovo corpus bilingue (inglese/tedesco) di record bibliografici annotati con l'Integrated Authority File (GND) e una tassonomia machine-actionable, progettato per abilitare la classificazione multi-etichetta consapevole dell'ontologia e supportare catalogatori umani tramite assistenti AI trasparenti e valutabili.
Il paper presenta un Diffusion Transformer (DiT) efficiente in termini di parametri, dotato di un codificatore CNN 2D e ottimizzato tramite DDPO con Enformer, in grado di generare sequenze di DNA regolatorio sintetico specifiche per il tipo cellulare con una convergenza più rapida, una minore memorizzazione dei dati e un'attività regolatoria predetta significativamente superiore rispetto ai modelli precedenti.
Il lavoro propone il campionamento predittivo dinamico (DPS), un metodo che accelera il fine-tuning con apprendimento per rinforzo dei grandi modelli di ragionamento prevedendo online la dinamica di apprendimento dei prompt tramite inferenza bayesiana, riducendo così i costosi rollouts e migliorando le prestazioni senza compromettere l'efficienza.
Il paper presenta PharmGraph-Auditor, un sistema ibrido che combina un Knowledge Base farmaceutico unificato e una nuova catena di verifica basata su conoscenze per potenziare la sicurezza e la tracciabilità nella verifica delle prescrizioni, trasformando i modelli linguistici da generatori inaffidabili a motori di ragionamento trasparenti.
LookaheadKV è un framework di evizione della cache KV leggero e preciso che, evitando la costosa generazione di bozze, utilizza moduli efficienti per prevedere l'importanza futura dei token, garantendo prestazioni superiori e una riduzione dei costi di evizione fino a 14,5 volte rispetto ai metodi esistenti.