2393 articoli
Il paper presenta MuCTaL, un framework di localizzazione tumorale leggero e addestrato su quattro tipi di cancro che, pur mostrando una buona generalizzazione su un quinto tipo non visto, dimostra come l'addestramento bilanciato su scala moderata possa ottenere prestazioni elevate per l'analisi digitale delle patologie.
Il documento presenta il LLM Delegate Protocol (LDP), un protocollo di comunicazione nativo per l'intelligenza artificiale che introduce identità dei modelli, tracciamento della provenienza e sessioni governate per abilitare una delega più efficiente e controllabile nei sistemi multi-agente, dimostrando attraverso un'implementazione su JamJet significativi miglioramenti nella latenza e nell'efficienza dei token, sebbene con risultati contrastanti sulla qualità complessiva e la necessità di verifica per i metadati di fiducia.
Questo studio identifica tre proprietà strutturali misurabili—l'allineamento con euristiche greedy, la semplicità della composizione interna e la rappresentazione visiva ordinata—che guidano le preferenze umane per soluzioni interpretabili in problemi di ottimizzazione combinatoria, fornendo una base per bilanciare ottimalità e comprensibilità nei sistemi di supporto decisionale.
Questo studio presenta un'analisi controllata di come profondità di ricerca, strategie di recupero e budget di completamento influenzino l'accuratezza e i costi nei sistemi RAG agenziali vincolati da budget, fornendo linee guida pratiche per la configurazione di tali pipeline.
Il paper propone FSbuHD, un nuovo modello di selezione delle caratteristiche basato sulla teoria degli insiemi fuzzy-rough per sistemi informativi ibridi, che supera le limitazioni computazionali e il rumore dei metodi tradizionali riformulando il problema come un'ottimizzazione risolvibile tramite algoritmi meta-euristici e operando in modalità normale e ottimista.
Il paper propone NetDiffuser, un nuovo framework che utilizza modelli di diffusione e una categorizzazione delle caratteristiche per generare esempi avversari naturali capaci di ingannare i sistemi di rilevamento delle intrusioni di rete basati sull'apprendimento profondo con un successo significativamente superiore rispetto alle tecniche esistenti.
Questo lavoro presenta un'analisi esaustiva di nove famiglie di limiti per la previsione selettiva e introduce il "Transfer-Informed Betting" (TIB), un metodo innovativo che combina sequenze di scommesse basate su martingale con il trasferimento di conoscenza tra domini per ottenere garanzie di rischio più strette in scenari con dati scarsi, dimostrando superiorità empirica su diversi benchmark rispetto ai metodi conformali e alle tecniche esistenti.
Il paper propone FedLECC, una strategia di selezione dei client per l'Apprendimento Federato che, combinando la similarità nella distribuzione delle etichette e la perdita locale, migliora significativamente l'accuratezza e riduce l'overhead di comunicazione in scenari con dati non-IID.
Questo lavoro propone il primo approccio completamente differenziabile per scoprire le "Strong Lottery Tickets" utilizzando porte di Bernoulli rilassate in modo continuo, permettendo di ottenere reti neurali sparse fino al 90% con perdita minima di accuratezza attraverso l'ottimizzazione end-to-end dei parametri di gating senza modificare i pesi inizializzati.
Questo studio dimostra che le metriche di visibilità nei motori di ricerca generativi sono intrinsecamente variabili e non deterministiche, sostenendo la necessità di adottare un framework statistico che includa stime di incertezza e intervalli di confidenza invece di affidarsi a misurazioni puntuali singole.
Questo studio introduce un benchmark sintetico e propone un approccio innovativo che utilizza modelli visione-linguaggio fondazionali (Gemma 3 e Qwen3-VL) per generare automaticamente configurazioni JSON per simulazioni di piante da immagini di droni, offrendo un framework scalabile per la creazione di gemelli digitali in agricoltura.
Il paper presenta "Guardian", un sistema di supporto decisionale che combina catene di Markov interpretabili, apprendimento per rinforzo e modelli linguistici di grandi dimensioni per generare piani di ricerca ottimali e verificabili per la localizzazione di minori scomparsi entro le prime 72 ore.
Il paper presenta PathoScribe, un framework unificato basato su modelli linguistici di grandi dimensioni (LLM) che trasforma gli archivi di patologia statici in una "biblioteca vivente" interattiva, abilitando il recupero semantico, il ragionamento clinico e la costruzione automatizzata di coorti di ricerca con elevata precisione ed efficienza.
Il paper presenta VoxEmo, un benchmark completo per la valutazione dei modelli linguistici vocali nell'ambito del riconoscimento delle emozioni, che affronta le sfide della generazione testuale aperta e dell'ambiguità emotiva attraverso un kit di strumenti standardizzato e protocolli di valutazione adattati alla percezione umana.
Il paper propone l'AgentOS, un nuovo paradigma di sistema operativo basato su un kernel di agenti e un'interfaccia naturale che trasforma le applicazioni tradizionali in moduli componibili, affrontando le sfide di frammentazione e gestione dei permessi come un problema di scoperta della conoscenza e data mining in tempo reale.
Il paper introduce BiCLIP, un framework semplice ed efficiente che migliora l'adattamento ai domini specifici per i modelli visione-linguaggio applicando una trasformazione geometrica strutturata ai feature multimodali, ottenendo risultati all'avanguardia su 11 benchmark.
Il documento presenta "Guardian", un sistema end-to-end basato su un pipeline multi-LLM che, attraverso l'uso di modelli specializzati, un motore di consenso e il fine-tuning QLoRA, supporta le indagini su persone scomparse e la pianificazione delle ricerche con un approccio conservativo e verificabile.
Il paper introduce \texttt{EinSum}, una notazione tensor-relazionale che automatizza la scomposizione dei calcoli in Einstein per eseguire le parti computazionalmente intensive tramite kernel numerici ottimizzati e gestire la sparsità dei dati all'interno di sistemi relazionali.
Questo lavoro introduce la strategia FaBRIC, un nuovo algoritmo che integra l'analisi di raggiungibilità in avanti e all'indietro per verificare sistemi di feedback neurale non lineari, superando significativamente lo stato dell'arte esistente.
Il paper introduce SLoD, un framework che utilizza la diffusione del kernel di calore su varietà iperboliche per controllare in modo continuo il livello di dettaglio semantico nelle rappresentazioni della conoscenza, permettendo di rilevare automaticamente i confini gerarchici naturali nei grafi senza supervisione.