2385 articoli
Il paper presenta gli Sparse Variational Student-t Processes (SVTP), un nuovo framework che estende i processi a punti induttori sparsi ai processi Student-t, offrendo un metodo scalabile e robusto per la modellazione di dati con code pesanti e outlier che supera le prestazioni dei processi Gaussiani sparsi.
Questo paper introduce un quadro unificato che modella la quantizzazione e la sparsificazione come rumore additivo, proponendo una trasformata di dequantizzazione basata sulla regressione ridge per fornire un percorso di gradiente ben definito che permette l'addestramento stabile di reti neurali ad alta efficienza con precisione arbitraria e livelli di sparsità estremi, superando i limiti degli approcci esistenti come lo Straight-Through Estimator.
Il paper introduce DRUPI, un metodo di condensazione del dataset che migliora le prestazioni dei modelli sintetizzando informazioni privilegiate (come etichette di feature o attenzione) insieme ai dati ridotti, ottenendo significativi guadagni su diversi benchmark.
Il paper introduce LayoutDreamer, un framework basato su 3D Gaussian Splatting che genera scene 3D composizionali di alta qualità e fisicamente plausibili partendo da prompt testuali, superando i limiti delle metodologie esistenti grazie a un grafico di scena diretto e a un'ottimizzazione adattiva del layout.
Questo articolo presenta Astromer 2, un modello fondazionale migliorato per l'analisi delle curve di luce che, grazie all'apprendimento auto-supervisionato su 1,5 milioni di dati e all'uso di embedding pesati, supera significativamente il suo predecessore Astromer 1 e i modelli precedenti, ottenendo un miglioramento del 15% nel punteggio F1 anche con dataset etichettati molto limitati.
Il paper introduce il concetto di "firma spaziale" per mappare i punti dati in uno spazio geometrico che semplifica l'analisi della robustezza delle valutazioni basate sui semivalori rispetto alle variazioni della funzione di utilità, proponendo una metrica pratica per quantificare tale stabilità.
Il paper presenta MKE-Coder, un nuovo framework che migliora la codifica automatica ICD nelle cartelle cliniche elettroniche cinesi integrando conoscenze multi-assiali con la verifica delle evidenze cliniche, superando le sfide linguistiche e strutturali specifiche di questo contesto.
Il paper presenta LLM-Advisor, un framework basato su prompt che utilizza i grandi modelli linguistici come consulenti post-elaborazione per ottimizzare l'efficienza dei costi nella pianificazione di percorsi su terreni eterogenei, superando le limitazioni spaziali dei modelli attuali senza modificare i pianificatori sottostanti.
Il paper introduce HyConEx, un classificatore basato su hypernetwork progettato per dati tabulari che combina previsioni accurate e spiegazioni locali sotto forma di esempi controfattuali in un'unica rete neurale.
Il paper propone un approccio teoricamente fondato basato sulla teoria delle categorie, che introduce un "functore esplicativo" per garantire la coerenza logica e la fedeltà delle spiegazioni estratte dai modelli di intelligenza artificiale, superando i limiti delle attuali tecniche euristico-based.
Il paper introduce GateLens, un agente LLM che utilizza l'Algebra Relazionale come rappresentazione intermedia formale per garantire analisi rapide, trasparenti e affidabili di dati tabulari complessi nel settore automobilistico, superando i limiti dei sistemi basati su Chain-of-Thought e riducendo i tempi di analisi dell'80% senza necessità di esempi few-shot.
Questo articolo propone una critica consequenzialista alle pratiche di valutazione della classificazione binaria, sostenendo l'adozione di regole di scoring adeguate come il punteggio Brier attraverso un nuovo framework decisionale e il pacchetto Python `briertools`, che colmano il divario tra teoria e pratica dominata da metriche a soglia fissa.
Il documento presenta MCP Bridge, un proxy RESTful leggero e agnostico rispetto ai modelli LLM che abilita l'uso del Model Context Protocol su dispositivi con risorse limitate grazie a un modello di esecuzione sicuro, accompagnato da modelli Qwen ottimizzati che raggiungono prestazioni superiori rispetto a sistemi molto più grandi nel benchmark MCPToolBench++.
Il paper introduce SGPO, un framework che risolve il limite di GRPO di non aggiornare la politica quando tutti i campioni di un gruppo sono errati, migliorando l'apprendimento per rinforzo nei modelli linguistici attraverso una diversificazione guidata da un modello giudice passo-passo che permette di apprendere anche dagli errori senza richiedere soluzioni corrette.
Il paper presenta MathQ-Verify, una pipeline innovativa a cinque stadi che verifica rigorosamente la validità e la completezza delle domande matematiche per filtrare problemi mal posti, migliorando significativamente le prestazioni rispetto ai metodi di verifica diretti e facilitando la creazione di dataset matematici affidabili.
Il paper presenta UltraEdit, un metodo innovativo per l'editing continuo dei modelli linguistici che, eliminando la necessità di addestramento, soggetti specifici o memoria esterna, raggiunge velocità e efficienza superiori rispetto agli stati dell'arte, permettendo di eseguire fino a 2 milioni di modifiche su modelli da 7B con risorse hardware limitate.
Il paper presenta SATURN, un framework di apprendimento per rinforzo basato su problemi di soddisfacibilità booleana (SAT) che supera le limitazioni di scalabilità, verificabilità e controllo della difficoltà delle attività esistenti, permettendo di potenziare significativamente le capacità di ragionamento dei modelli linguistici su compiti matematici e di programmazione attraverso un curriculum learning progressivo.
Il paper introduce Daily-Omni, un nuovo benchmark audio-visivo per valutare la capacità di ragionamento temporale sincrono tra modalità nei modelli linguistici multimodali, evidenziando attraverso una valutazione estensiva che la maggior parte dei modelli attuali fatica ancora a gestire efficacemente l'allineamento temporale cross-modale.
Questo articolo presenta la prima revisione sistematica sull'integrazione dei modelli fondazionali nell'intelligenza artificiale incarnata per i robot di servizio mobili, analizzando come tali tecnologie affrontino le sfide tecniche e abilitino applicazioni pratiche in ambiti domestici e sanitari, pur sollevando questioni etiche e prospettando direzioni future per un deployment sicuro e affidabile.
Il paper propone TSRating, un framework unificato che sfrutta il giudizio dei modelli linguistici su larga scala (LLM) e l'apprendimento meta per valutare in modo efficiente e adattabile la qualità di serie temporali provenienti da domini diversi, superando i limiti delle metodologie esistenti.