7484 articoli
Questo articolo introduce Path Planning (P2), una strategia di inferenza innovativa che generalizza i modelli di diffusione mascherati (MDM) consentendo il raffinamento iterativo dei token, migliorando così significativamente le prestazioni generative in ambiti come la biologia, la matematica e la programmazione.
Il paper propone FBFL, un approccio innovativo per l'apprendimento federato che utilizza la coordinazione basata su campi e macroprogrammazione per superare le sfide dell'eterogeneità dei dati non-IID e dell'architettura centralizzata, dimostrando prestazioni superiori rispetto agli stati dell'arte in scenari non uniformi e una maggiore resilienza ai guasti dei server.
Questo lavoro propone una tassonomia unificata basata sul controllo come inferenza per i modelli generativi nel processo decisionale, classificandoli in quattro ruoli funzionali fondamentali e analizzandone le applicazioni critiche e le sfide per lo sviluppo di un'intelligenza fisica generalista.
Questo studio presenta un approccio incentrato sull'utente per definire euristiche che guidino lo sviluppo di strumenti di generazione grafica basati sull'IA, identificando attraverso un'indagine con 16 professionisti del settore le esigenze chiave di integrazione nei flussi di lavoro esistenti e di supporto alla creazione rapida di varianti nelle fasi iniziali del design.
Il paper introduce StudyChat, un dataset pubblico di 16.851 interazioni reali tra studenti e un chatbot basato su LLM in un corso universitario di intelligenza artificiale, rivelando che l'uso dello strumento per la comprensione concettuale e l'aiuto alla programmazione migliora i risultati, mentre il suo impiego per scrivere relazioni o aggirare gli obiettivi didattici li riduce.
Il paper propone BACE-RUL, un modello basato su una rete avversariale bi-direzionale con codifica delle covariate che, utilizzando esclusivamente le misurazioni dei sensori del ciclo di vita corrente, supera i metodi esistenti nella previsione della vita utile residua di macchinari complessi come motori aeronautici e batterie.
Il paper rivela come il fine-tuning supervisionato per la sicurezza dei modelli visione-linguaggio crei un "miraggio di sicurezza" basato su correlazioni spurie che possono essere aggirate o causano rifiuti eccessivi, dimostrando che l'apprendimento non supervisionato (machine unlearning) è una soluzione più efficace per rimuovere le conoscenze dannose preservando le capacità generali del modello.
Questo studio presenta un quadro di tre anni basato sull'apprendimento basato su problemi (PBL) per l'educazione all'intelligenza artificiale biomedica, che ha dimostrato di migliorare i risultati di apprendimento e la produttività della ricerca tra gli studenti, offrendo una soluzione scalabile alle sfide educative e pratiche nel settore.
Questo studio presenta un nuovo framework di valutazione su larga scala che, attraverso l'iniezione di mutazioni semantiche, dimostra come la capacità dei Large Language Models di localizzare i difetti sia spesso fragile e dipenda da indizi sintattici irrilevanti piuttosto che da una profonda comprensione della semantica del programma.
Il paper presenta ms-Mamba, una nuova architettura basata su Mamba che utilizza multipli blocchi con diversi tassi di campionamento per catturare scale temporali multiple, ottenendo prestazioni superiori rispetto agli stati dell'arte su diverse metriche e dataset con un'efficienza computazionale e parametrica ridotta.
Questo paper propone un framework di generazione potenziata dalla logica (LAG) che combina grafi di conoscenza semantica ed euristiche di prompt per migliorare il ragionamento analogico multimodale, dimostrando prestazioni superiori rispetto ai baselines e agli umani in compiti di rilevamento e comprensione di metafore, sebbene con limitazioni residue nelle metafore specifiche di dominio.
Il paper presenta Foam-Agent, un framework multi-agente basato su modelli linguistici che automatizza l'intero flusso di lavoro della fluidodinamica computazionale (CFD) partendo da un prompt in linguaggio naturale, riducendo significativamente le barriere all'ingresso e ottenendo un tasso di successo del 88,2% senza intervento umano.
Il paper presenta ReactDance, un framework di diffusione basato su uno spazio latente gerarchico che utilizza la quantizzazione scalare finita gerarchica (HFSQ) e una strategia di campionamento contestuale locale a blocchi (BLC) per generare danze reattive a lungo termine ad alta fedeltà e coerenti.
Questo lavoro propone un nuovo obiettivo di ricompensa consapevole del rischio per l'apprendimento per rinforzo nella guida autonoma, che integra una struttura gerarchica di obiettivi e un'estensione della sicurezza RSS, dimostrando una riduzione del 21% delle collisioni e un miglioramento delle prestazioni rispetto ai metodi tradizionali.
Questo paper propone un nuovo framework per la previsione delle traiettorie nella guida autonoma che, guidando la regressione attraverso i confini stradali e vincoli cinematici, garantisce previsioni fisicamente fattibili e robuste riducendo drasticamente le uscite dalla carreggiata anche in scenari avversi.
Questo paper propone un framework di apprendimento curricolare automatico che genera dinamicamente scenari di guida adattivi per migliorare l'efficienza e la generalizzazione degli agenti di guida autonoma basati sul reinforcement learning, superando i limiti delle metodologie tradizionali come la randomizzazione del dominio.
Il paper introduce CausalPitfalls, un benchmark completo progettato per valutare rigorosamente le capacità di ragionamento causale statistico dei modelli linguistici di grandi dimensioni, evidenziando le loro attuali limitazioni nel superare errori comuni come la paradosso di Simpson e il bias di selezione.
Il paper presenta ShIOEnv, un ambiente Bash basato su Gymnasium che, sfruttando la sintesi vincolata alla grammatica e un segnale di irreducibilità auto-supervisionato, genera un dataset di 2,1 milioni di coppie input-output per migliorare l'accuratezza dei modelli nel prevedere il comportamento di esecuzione dei comandi rispetto alle basi di riferimento senza esecuzione.
Il paper presenta VTool-R1, un framework pionieristico che addestra i modelli visione-linguaggio a generare catene di pensiero multimodali intercalando testo e passaggi visivi intermedi tramite l'uso strategico di strumenti di editing grafico e apprendimento per rinforzo, migliorando così le capacità di ragionamento su dati strutturati come grafici e tabelle.
Il paper introduce SealQA, un nuovo benchmark che valuta le capacità di ragionamento e accuratezza fattuale dei modelli linguistici potenziati dalla ricerca web, rivelando che anche i modelli più avanzati faticano a gestire risultati di ricerca conflittuali, rumorosi o contesti lunghi.