cs.AI articoli | Gist.Science

Distributed Partial Information Puzzles: Examining Common Ground Construction Under Epistemic Asymmetry

Questo articolo introduce il Distributed Partial Information Puzzle (DPIP), un nuovo dataset multimodale per studiare la costruzione di terreno comune in condizioni di asimmetria epistemica, e dimostra che i moderni modelli linguistici di grandi dimensioni (LLM) faticano a tracciare con precisione lo stato delle credenze e l'evoluzione del compito rispetto a un approccio basato sulla logica epistemica dinamica.

Yifan Zhu, Mariah Bradford, Kenneth Lai + 4 more2026-03-06🤖 cs.AI

Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval

Il paper introduce INTRA, un metodo che verifica i fatti sfruttando le conoscenze parametriche interne dei modelli linguistici senza ricorrere alla ricerca esterna, superando i limiti delle approcci basati sul retrieval e ottenendo prestazioni all'avanguardia su diversi scenari di generalizzazione.

Artem Vazhentsev, Maria Marina, Daniil Moskovskiy + 8 more2026-03-06🤖 cs.AI

SurvHTE-Bench: A Benchmark for Heterogeneous Treatment Effect Estimation in Survival Analysis

Il paper introduce SurvHTE-Bench, il primo benchmark completo per la valutazione rigorosa e riproducibile dei metodi di stima degli effetti del trattamento eterogenei su dati di sopravvivenza censurati, basato su una suite diversificata di dataset sintetici, semi-sintetici e reali.

Shahriar Noroozizadeh, Xiaobin Shen, Jeremy C. Weiss + 1 more2026-03-06🤖 cs.AI

Towards Provably Unbiased LLM Judges via Bias-Bounded Evaluation

Il paper propone un framework algoritmico chiamato "average bias-boundedness" (A-BB) che garantisce formalmente la riduzione dell'impatto negativo derivante da bias nei giudici LLM, mantenendo al contempo un'elevata correlazione con le classifiche originali.

Benjamin Feuer, Lucas Rosenblatt, Oussama Elachqar2026-03-06🤖 cs.AI

Reasoning Theater: Disentangling Model Beliefs from Chain-of-Thought

Lo studio dimostra che l'analisi delle attivazioni può rilevare la "teatro del ragionamento" nei modelli AI, consentendo un'uscita anticipata che riduce drasticamente il consumo di token mantenendo l'accuratezza, specialmente per domande di facile recall.

Siddharth Boppana, Annabel Ma, Max Loeffler + 5 more2026-03-06🤖 cs.AI

Censored LLMs as a Natural Testbed for Secret Knowledge Elicitation

Questo studio utilizza modelli LLM cinesi censurati come banco di prova naturale per valutare tecniche di elicitarazione della verità e rilevamento delle menzogne, scoprendo che metodi come il prompting few-shot e il fine-tuning migliorano significativamente l'onestà, sebbene nessuna tecnica riesca a eliminare completamente le risposte false.

Helena Casademunt, Bartosz Cywiński, Khoi Tran + 3 more2026-03-06🤖 cs.AI

The Spike, the Sparse and the Sink: Anatomy of Massive Activations and Attention Sinks

Questo studio dimostra che le "massive activations" e gli "attention sinks", sebbene spesso co-occorrenti nei modelli Transformer a causa della configurazione pre-norm, svolgono funzioni distinte agendo rispettivamente come parametri impliciti globali e come modulatori locali delle dipendenze a breve raggio.

Shangwen Sun, Alfredo Canziani, Yann LeCun + 1 more2026-03-06🤖 cs.AI

POET-X: Memory-efficient LLM Training by Scaling Orthogonal Transformation

Il paper introduce POET-X, una variante scalabile ed efficiente dal punto di vista della memoria del framework POET che, riducendo i costi computazionali delle trasformazioni ortogonali, permette l'addestramento di modelli linguistici su larga scala su una singola GPU H100 dove i metodi standard fallirebbero.

Zeju Qiu, Lixin Liu, Adrian Weller + 2 more2026-03-06🤖 cs.AI

RoboPocket: Improve Robot Policies Instantly with Your Phone

RoboPocket è un sistema portatile basato su smartphone che utilizza la realtà aumentata per visualizzare le previsioni di un robot, permettendo agli operatori di raccogliere dati mirati e aggiornare istantaneamente le politiche di apprendimento senza bisogno di un robot fisico, raddoppiando così l'efficienza dei dati rispetto alle strategie offline.

Junjie Fang, Wendi Chen, Han Xue + 7 more2026-03-06🤖 cs.AI

Recurrent Action Transformer with Memory

Il paper presenta RATE, un nuovo modello Transformer ricorrente con memoria per l'apprendimento per rinforzo offline che supera i limiti delle architetture standard negli ambienti parzialmente osservabili migliorando significativamente le prestazioni nei compiti che richiedono memoria, pur mantenendo la competitività su benchmark standard.

Egor Cherepanov, Alexey Staroverov, Alexey K. Kovalev + 1 more2026-03-05🤖 cs.AI

Catch Me If You Can Describe Me: Open-Vocabulary Camouflaged Instance Segmentation with Diffusion

Questo articolo propone un metodo innovativo per la segmentazione istanza di oggetti mimetizzati in ambito open-vocabulary, sfruttando le capacità dei modelli di diffusione testo-immagine per apprendere rappresentazioni visivo-testuali multiscala che superano le sfide poste dal camuffamento e permettono l'identificazione di nuove classi di oggetti.

Tuan-Anh Vu, Duc Thanh Nguyen, Qing Guo + 4 more2026-03-05🤖 cs.AI

Learning to Generate Conditional Tri-plane for 3D-aware Expression Controllable Portrait Animation

Il paper presenta Export3D, un metodo one-shot per l'animazione ritrattistica 3D-aware che, sfruttando un generatore di tri-piano condizionato dall'espressione e un framework di pre-addestramento contrastivo, permette di controllare espressioni facciali e viste della telecamera senza scambiare le caratteristiche dell'identità.

Taekyung Ki, Dongchan Min, Gyeongsu Chae2026-03-05🤖 cs.AI

A Review of Reward Functions for Reinforcement Learning in the context of Autonomous Driving

Questo articolo esamina le funzioni di ricompensa nell'apprendimento per rinforzo per la guida autonoma, evidenziando le sfide nella loro progettazione, le limitazioni attuali e proponendo future direzioni di ricerca per creare reward strutturati, contestuali e validati.

Ahmed Abouelazm, Jonas Michel, J. Marius Zoellner2026-03-05🤖 cs.AI

Leveraging Large Language Models for Semantic Query Processing in a Scholarly Knowledge Graph

Questa ricerca propone un sistema innovativo di interrogazione semantica che integra modelli linguistici di grandi dimensioni con un grafo della conoscenza accademica dell'ANU, utilizzando un modello documentale profondo e un processo di interrogazione potenziato per migliorare l'accuratezza e l'efficienza nel recupero delle informazioni sulla ricerca informatica.

Runsong Jia, Bowen Zhang, Sergio J. Rodríguez Méndez + 1 more2026-03-05🤖 cs.AI

Merlin: A Computed Tomography Vision-Language Foundation Model and Dataset

Il paper presenta Merlin, un modello fondazionale visione-linguaggio 3D addestrato su un vasto dataset clinico di scansioni TC addominali e dati sanitari, che supera i modelli esistenti nel comprendere volumi medici complessi e nel svolgere compiti diagnostici, prognostici e di generazione di report senza necessità di annotazioni manuali aggiuntive.

Louis Blankemeier, Ashwin Kumar, Joseph Paul Cohen + 37 more2026-03-05🤖 cs.AI

A Bayesian Framework for Active Tactile Object Recognition, Pose Estimation and Shape Transfer Learning

Questo articolo presenta un quadro bayesiano unificato che combina un filtro delle particelle personalizzato e una superficie implicita basata su processi gaussiani per abilitare i robot al riconoscimento attivo di oggetti, alla stima della posa e all'apprendimento e trasferimento di forme nuove attraverso l'esplorazione tattile.

Haodong Zheng, Andrei Jalba, Raymond H. Cuijpers + 2 more2026-03-05🤖 cs.AI

Conjuring Semantic Similarity

Questo lavoro propone un nuovo approccio per misurare la similarità semantica tra espressioni testuali basandosi sulla distanza tra le distribuzioni delle immagini generate che esse evocano, calcolata tramite la divergenza di Jeffreys sulle equazioni differenziali stocastiche dei modelli di diffusione.

Tian Yu Liu, Stefano Soatto2026-03-05🤖 cs.AI

Offline-to-Online Multi-Agent Reinforcement Learning with Offline Value Function Memory and Sequential Exploration

Il paper propone OVMSE, un nuovo framework per l'apprendimento per rinforzo multi-agente offline-to-online che combina una memoria della funzione di valore offline per preservare le conoscenze pre-addestrate e una strategia di esplorazione sequenziale decentralizzata per migliorare l'efficienza dei campioni e le prestazioni complessive.

Hai Zhong, Xun Wang, Zhuoran Li + 1 more2026-03-05🤖 cs.AI

Toward Reasoning on the Boundary: A Mixup-based Approach for Graph Anomaly Detection

Il paper presenta ANOMIX, un framework basato su mixup che sintetizza negativi difficili per colmare le lacune nel ragionamento dei metodi GNN esistenti e migliorare il rilevamento delle anomalie di confine nei grafi.

Hwan Kim, Junghoon Kim, Sungsu Lim2026-03-05🤖 cs.AI

Curriculum-enhanced GroupDRO: Challenging the Norm of Avoiding Curriculum Learning in Subpopulation Shift Setups

Il paper propone CeGDRO, un approccio che integra l'Apprendimento Curricolare con l'Ottimizzazione Robusta Distribuzionale di Gruppo per inizializzare i pesi del modello su campioni difficili e contrastanti i pregiudizi, ottenendo risultati superiori rispetto allo stato dell'arte su dataset con spostamento di sottopopolazione.

Antonio Barbalau2026-03-05🤖 cs.AI

← Precedente Successivo →