9460 articoli
Il paper presenta SEA-TS, un agente autonomo in grado di generare, validare e ottimizzare algoritmi di previsione delle serie temporali attraverso un ciclo di auto-evoluzione che combina ricerca MCTS, revisione del codice e ragionamento globale, ottenendo risultati superiori rispetto ai metodi esistenti e scoprendo nuovi pattern architetturali innovativi.
Questo studio dimostra che è possibile prevedere con un'accuratezza dell'80,4% il tipo di lancio di baseball analizzando esclusivamente la cinematica 3D del corpo del lanciatore, rivelando che la meccanica del busto e la posizione del polso sono i fattori più determinanti, mentre le varianti di presa non sono distinguibili dal movimento corporeo.
Il paper presenta DeformTrace, un modello innovativo basato su stati spaziali deformabili e token di relay che supera le limitazioni delle tecniche attuali per la localizzazione temporale delle falsificazioni, offrendo prestazioni all'avanguardia con maggiore efficienza e robustezza.
Il paper introduce STEM-Bench, il primo benchmark per valutare la memoria nei dialoghi in streaming, e propone ProStream, un framework di memoria gerarchica proattiva che risolve il dilemma tra fedeltà ed efficienza permettendo un richiamo ad hoc e uno stato di conoscenza limitato senza sacrificare la precisione.
Il paper propone FedAFD, un quadro unificato per l'apprendimento federato multimodale che, attraverso allineamento avversariale, fusione adattiva e distillazione guidata dalla similarità, risolve le sfide dell'eterogeneità dei dati e dei modelli per migliorare le prestazioni sia lato client che server.
Gli autori propongono un metodo di campionamento privo di addestramento e a basso costo che migliora la diversità e le prestazioni Pass@ dei Modelli Linguistici Diffusivi penalizzando attivamente la ridondanza tra i campioni generati, ottenendo risultati superiori su benchmark come HumanEval e GSM8K.
Il paper presenta DP-MTV, il primo framework che abilita l'apprendimento in contesto multimodale con molte dimostrazioni garantendo la privacy differenziale formale attraverso l'aggregazione di dati in vettori di compito compatti nello spazio delle attivazioni, permettendo così l'inferenza illimitata con un singolo aggiunta di rumore e mantenendo alte prestazioni su benchmark visivi e linguistici.
Il paper propone AoD-IP, un nuovo framework per la protezione della proprietà intellettuale dei modelli visione-linguaggio che abilita un'autorizzazione dinamica su richiesta e una valutazione della legalità, superando i limiti delle definizioni statiche tradizionali consentendo agli utenti di adattare flessibilmente i domini autorizzati durante il deployment.
EvoTool è un framework auto-evolutivo che ottimizza le politiche di utilizzo degli strumenti negli agenti LLM attraverso un paradigma evolutivo privo di gradienti, basato su tre meccanismi innovativi di attribuzione della colpa, mutazione mirata e selezione della popolazione, ottenendo prestazioni superiori rispetto ai metodi esistenti su diversi benchmark.
Il paper introduce AgentSCOPE, un benchmark e un framework basato sul "Privacy Flow Graph" che dimostra come la valutazione della privacy negli sistemi agentici debba analizzare ogni fase intermedia del flusso informativo, rivelando che oltre l'80% degli scenari presenta violazioni non rilevabili dalle sole valutazioni degli output finali.
Lo studio dimostra che gli interventi di allineamento nei modelli linguistici, sebbene efficaci in inglese, possono provocare un "effetto rimbalzo" in altre lingue come il giapponese, generando una dissociazione tra sicurezza superficiale e patologie collettive che riflette le dinamiche culturali e linguistiche dei dati di addestramento.
Il documento descrive un flusso di lavoro deterministico e riproducibile implementato in `cad_processor.py` che elabora estratti amministrativi per generare report sui costi per studente, arricchiti da una stratificazione fuzzy interpretabile per classificare i dati in fasce di costo.
Il paper propone VPWEM, una politica visuomotoria non markoviana che integra memoria di lavoro ed episodica tramite un compressore contestuale basato su Transformer, permettendo ai robot di gestire compiti a lungo termine con costi computazionali costanti e superando significativamente gli stati dell'arte su benchmark di manipolazione.
Il paper introduce EVMbench, un benchmark che valuta la capacità degli agenti AI di rilevare, correggere e sfruttare vulnerabilità negli smart contract, dimostrando che i modelli più avanzati sono già in grado di eseguire attacchi end-to-end su istanze reali della blockchain Ethereum.
Il paper introduce BandPO, un nuovo metodo di ottimizzazione per l'apprendimento per rinforzo dei modelli linguistici che sostituisce il clipping canonico con un operatore teorico unificato e consapevole delle probabilità, risolvendo il collo di bottiglia esplorativo e prevenendo il collasso dell'entropia senza compromettere la stabilità.
Il paper propone KBD, un metodo innovativo per l'ottimizzazione delle offerte nella pubblicità online che integra l'esperienza umana e un controllo a doppio processo (unendo regole PID e Decision Transformer) per superare i limiti dei modelli black-box tradizionali, migliorando la coerenza globale e l'adattabilità in scenari complessi.
Il paper introduce TimeWarp, un benchmark che valuta la robustezza degli agenti web di fronte ai cambiamenti dell'interfaccia, e propone TimeTraj, un algoritmo che migliora significativamente le prestazioni degli agenti insegnando loro a generalizzare attraverso diverse versioni storiche dei siti web.
Il paper propone un nuovo framework di pre-addestramento basato su compiti consapevoli della posizione per migliorare la capacità dei modelli di rispondere a domande visive mediche confrontando immagini, ottenendo risultati all'avanguardia nel rilevamento delle variazioni cliniche nelle radiografie del torace.
Il paper presenta RAG4CTS, un framework di Retrieval-Augmented Generation privo di addestramento e consapevole dei regimi, progettato per gestire serie temporali con covariate in scenari industriali a scarsità di dati, come la manutenzione predittiva delle valvole PRSOV, dove ha dimostrato prestazioni superiori rispetto agli stati dell'arte e un funzionamento reale senza falsi allarmi.
Il paper introduce la Confidence-Weighted Preference Optimization (CW-PO), un framework che utilizza le valutazioni ad alta confidenza di un modello linguistico debole per re-pesare i dati di addestramento, permettendo di ottenere prestazioni superiori rispetto alle annotazioni umane complete con solo il 20% dei dati etichettati da umani.