9951 articoli
Questo articolo propone l'approccio TS4NAP, che utilizza la similarità tra tassonomie mediche (ICD-10-CM e ICD-10-PCS) e il matching di grafi per migliorare e rendere spiegabile la previsione del prossimo passo terapeutico nei processi di cura dei pazienti, valutata su dati del dataset MIMIC-IV.
Il paper propone RoboGuard, un'architettura di sicurezza a due stadi che combina un LLM di "fiducia radice" per generare specifiche di sicurezza contestualizzate e la sintesi di controllo logico temporale per garantire che i robot abilitati ai grandi modelli linguistici (LLM) operino in modo sicuro, riducendo drasticamente l'esecuzione di piani pericolosi senza comprometterne le prestazioni.
Il paper introduce OSCAR, un metodo innovativo di compressione soft online e dipendente dalla query che riduce l'overhead computazionale e accelera l'inferenza nei sistemi RAG senza comprometterne l'accuratezza, integrando anche una funzionalità di riclassificazione.
Il paper presenta MuRAL, un nuovo dataset di sensori ambientali per attività quotidiane in ambienti multi-abitanti arricchito da descrizioni in linguaggio naturale, che evidenzia le attuali limitazioni dei modelli linguistici di grandi dimensioni nel gestire l'assegnazione degli utenti, la descrizione delle azioni e la classificazione delle attività in scenari complessi.
Questo articolo propone un'architettura di controllo emotivo modulare e biologicamente ispirata che, soddisfacendo otto principi progettuali e quattro vincoli di riduzione del rischio (come l'assenza di broadcast globale e metarappresentazione), dimostra la fattibilità di implementare comportamenti simili alle emozioni escludendo deliberatamente le caratteristiche architettoniche associate alla coscienza di accesso, offrendo così un modello teorico e strumenti pratici per la governance e la sicurezza dei sistemi artificiali.
Il documento presenta il modello formale N2M-RSI, che dimostra come un agente AI che utilizza i propri output come dati di addestramento possa generare una crescita illimitata della complessità interna una volta superata una specifica soglia di integrazione informativa, unificando concetti di auto-prompting e riferimento godeliano in un framework agnostico rispetto all'implementazione.
Il paper propone TPK, un metodo per la previsione di traiettorie nel guida autonoma che integra conoscenze a priori specifiche per diverse classi di agenti (veicoli, pedoni, ciclisti) per garantire previsioni fisicamente fattibili e interpretabili, migliorando così l'affidabilità rispetto ai modelli esistenti.
Questo articolo presenta le fondamenta teoriche e l'architettura di un singolo agente del framework EG-MRSI, un sistema innovativo che integra metacognizione, motivazione intrinseca basata sulle emozioni e auto-modifica ricorsiva per guidare lo sviluppo verso un'AGI aperta e sicura.
Gli autori propongono un nuovo framework di apprendimento non supervisionato per la Minimizzazione del Rischio Invariante (IRM) che, attraverso i metodi PICA e VIAE, allinea le distribuzioni delle caratteristiche per apprendere rappresentazioni robuste e generalizzabili tra diversi ambienti senza fare affidamento su dati etichettati.
TSPulse è una famiglia di modelli pre-addestrati ultra-leggeri che, grazie a rappresentazioni disaccoppiate in domini temporali, spettrali e semantici, supera le prestazioni di modelli molto più grandi su diverse attività di diagnostica delle serie temporali abilitando un trasferimento zero-shot efficiente e un deployment senza GPU.
Questo lavoro propone "Feature Mixing", un metodo semplice e veloce per la sintesi di outlier multimodali che, insieme al nuovo dataset CARLA-OOD, raggiunge prestazioni all'avanguardia nella rilevazione e segmentazione di dati fuori distribuzione con un significativo aumento di velocità rispetto alle tecniche esistenti.
Il paper presenta SafeDPO, un metodo leggero e teoricamente fondato che ottimizza direttamente la sicurezza dei modelli linguistici senza reward model o campionamento online, ottenendo eccellenti compromessi tra sicurezza e utilità su benchmark come PKU-SafeRLHF-30K.
Il paper propone RLJP, un framework per la previsione delle sentenze legali che combina la formalizzazione della logica del primo ordine con l'apprendimento contrastivo confuso per creare un meccanismo di adattamento dinamico che supera i limiti di rigidità dei modelli esistenti, ottenendo risultati superiori su dataset pubblici.
Il paper presenta R1-Code-Interpreter, un modello LLM potenziato da un approccio di apprendimento curricolare multi-fase che combina fine-tuning supervisionato e rinforzato, permettendo di generare codice autonomamente e raggiungendo prestazioni superiori rispetto a GPT-4o su una vasta gamma di compiti di ragionamento e pianificazione.
Il paper propone la Calibrazione Supervisionata (SC), un nuovo framework basato sulla minimizzazione della perdita che supera i limiti delle tecniche di calibrazione esistenti per l'Apprendimento in Contesto (ICL) nei LLM, permettendo di modificare l'orientamento dei confini decisionali e integrando regolarizzatori per migliorare la stabilità e le prestazioni su diversi modelli e dataset.
Il paper presenta AutoQD, un metodo che automatizza la scoperta di comportamenti diversificati negli algoritmi di ottimizzazione Qualità-Diversità generando descrittori comportamentali basati sulle misure di occupazione delle politiche, eliminando così la necessità di definire manualmente tali descrittori.
Il paper presenta C-EDL, un approccio post-hoc leggero per l'incertezza che, sfruttando trasformazioni diversificate e la misurazione del disaccordo rappresentazionale, migliora significativamente la robustezza e la rilevazione di dati fuori distribuzione o avversari nei modelli di Deep Learning Evidenziale senza richiedere un nuovo addestramento.
Il paper presenta LeanTutor, un sistema di tutoraggio matematico basato sull'IA che combina le capacità comunicative dei modelli linguistici con la correttezza verificabile dei prover di teoremi Lean, valutato tramite il nuovo dataset PeanoBench.
Il documento presenta VFEFL, un framework di apprendimento federato che utilizza una nuova schema di crittografia funzionale verificabile decentralizzata (CC-DVFE) per garantire privacy, robustezza contro client malevoli e verificabilità senza dipendere da assunzioni di server non colludenti o terze parti fidate.
Il paper introduce EgoWorld, un nuovo framework che ricostruisce una visione in prima persona a partire da osservazioni esocentriche ricche (come nuvole di punti, pose 3D delle mani e descrizioni testuali) superando i limiti dei metodi attuali e ottenendo prestazioni all'avanguardia su diversi dataset.