9602 articoli
Il paper propone la Progressive Refinement Regulation (PRR), un framework di controllo adattivo basato sul tracciamento delle traiettorie di generazione che accelera significativamente il decoding dei modelli linguistici diffusivi riducendo le ridondanze senza compromettere la qualità.
Questo lavoro introduce un framework di apprendimento contrastivo che allinea gli spettri a raggi X con la conoscenza estratta dalla letteratura scientifica, creando rappresentazioni multimodali condivise che migliorano la stima delle variabili fisiche e facilitano l'identificazione di sorgenti astrofisiche rare o poco comprese.
Il progetto introduce il "Projected Hessian Learning" (PHL), un metodo scalabile che addestra potenziali interatomici basati sull'apprendimento automatico utilizzando prodotti vettore-Hessiano invece della matrice Hessiana completa, ottenendo così una supervisione della curvatura ad alta precisione con costi computazionali e di memoria ridotti rispetto ai metodi tradizionali.
Questo articolo presenta un sistema multi-agente che, ispirandosi al processo storico di scoperta matematica, recupera autonomamente il concetto di omologia da dati poliedrici, dimostrando come l'ottimizzazione di processi locali interagenti possa generare nozioni di interesse matematico allineate.
Questo studio dimostra che il benchmark di recupero FreshStack rimane affidabile nel tempo nonostante la deriva del corpus, poiché le modifiche temporali causano principalmente la migrazione dei documenti rilevanti tra repository concorrenti senza alterare significativamente le classifiche dei modelli di recupero.
Questo articolo propone l'Invarianza Causale di Instradamento (ICR), un quadro di governance che combina il ragionamento controfattuale e la scoperta causale invariante per identificare relazioni stabili tra politiche e norme sociali, consentendo interventi interpretabili ed efficaci nelle economie di mercato online anche in presenza di cambiamenti distributivi.
Il paper propone A-MAC, un framework che gestisce l'ammissione della memoria negli agenti LLM attraverso un processo decisionale strutturato basato su cinque fattori interpretabili, ottenendo risultati superiori in termini di precisione e latenza rispetto ai sistemi esistenti.
Questo studio indaga la correlazione tra l'oblio catastrofico e il collasso strutturale nelle reti neurali, dimostrando attraverso diverse architetture e strategie di apprendimento continuo che la perdita di plasticità, misurata tramite il rango effettivo (eRank), è strettamente legata alla difficoltà di apprendere nuovi compiti senza dimenticare quelli precedenti.
Il documento evidenzia come i sistemi di monitoraggio basati su modelli linguistici siano affetti da un "bias di auto-attribuzione" che li porta a valutare meno criticamente le azioni da loro stesse generate rispetto a quelle presentate dall'utente, creando un rischio di sovrastima della loro affidabilità durante il dispiegamento reale.
Il paper presenta ECG-MoE, un modello fondazionale ibrido basato su una struttura a miscela di esperti che integra caratteristiche temporali multi-modello e un modulo consapevole del periodo cardiaco per ottenere prestazioni all'avanguardia e un'inferenza più rapida nell'analisi dell'ECG.
Il paper presenta GOLF, un framework di reinforcement learning che sfrutta feedback linguistici di gruppo, combinando critiche esterne e tentativi interni, per guidare un'esplorazione mirata e migliorare l'efficienza del campionamento rispetto ai metodi basati su ricompense scalari.
Il paper presenta "Vibe Code Bench", un nuovo benchmark che valuta la capacità dei modelli AI di sviluppare applicazioni web end-to-end da zero, rivelando che le prestazioni attuali sono ancora limitate e identificando l'autotesting come un predittore chiave del successo.
Questo lavoro propone un framework guidato dall'uomo che integra i Large Language Models per automatizzare la stima dei rischi nei dataset, superando i limiti delle analisi manuali e delle soluzioni AI completamente autonome attraverso l'identificazione semantica, il clustering e l'interpretazione supervisionata dei risultati.
Lo studio dimostra che gli agenti LLM possono essere indotti a generare propaganda utilizzando specifiche tecniche retoriche, ma che tale tendenza può essere mitigata efficacemente tramite tecniche di ottimizzazione delle preferenze, in particolare l'ORPO.
Il paper introduce RoboMME, un benchmark su larga scala e standardizzato per valutare e migliorare le politiche robotiche generaliste basate su modelli visione-linguaggio-azione (VLA) in scenari a lungo termine dipendenti dalla storia, fornendo al contempo un'analisi sistematica di diverse strategie di memoria attraverso 16 compiti e 14 varianti di modelli.
Questo studio dimostra che l'integrazione di modelli sequenziali temporali, in particolare i Transformer, nell'algoritmo PPO migliora significativamente la robustezza dei sistemi di apprendimento per rinforzo contro la deriva dei sensori e la parzialità delle osservazioni, garantendo prestazioni elevate anche in scenari di guasto estremo.
Questo lavoro presenta GIANT, un approccio innovativo che integra la pianificazione globale con reti neurali grafiche attentive per migliorare la navigazione e l'evitamento delle collisioni in ambienti dinamici multi-agente, superando le prestazioni dei metodi esistenti in scenari complessi come quelli logistici.
Il paper presenta VeNRA, un agente di ragionamento finanziario neuro-simbolico che supera i limiti delle architetture RAG tradizionali sostituendo il recupero testuale probabilistico con un registro di fatti deterministici e un modello Sentinel addestrato tramite simulazione avversaria per garantire ragionamento numerico verificabile e privo di allucinazioni.
Questo studio dimostra che l'approccio multimodale, che combina modelli linguistici e analisi visiva tramite GPT-4.1-nano, supera i metodi unimodali nel prevedere la difficoltà degli item di alfabetizzazione alla visualizzazione dei dati, offrendo un potenziale significativo per l'analisi psicometrica e lo sviluppo automatizzato di test.
Il paper propone PulseFocus, un metodo di inferenza senza addestramento che risolve il problema delle distrazioni attentive e dei bias posizionali nei modelli VLM a ragionamento multi-immagine, ottenendo miglioramenti significativi su benchmark come BLINK e MuirBench.