2393 articoli
Questo studio dimostra che le emozioni agiscono come fattori latenti che modellano l'attenzione e il ragionamento nei modelli linguistici, introducendo il dataset AURA-QA e un framework di regolarizzazione emotiva che migliorano le prestazioni di comprensione del testo sia in contesti emotivi che neutri.
Questo paper formalizza un test di stress macro-finanziario che identifica come la rapida adozione dell'IA possa innescare una crisi esplosiva non a causa di una carenza di produttività, ma a causa di un mismatch distributivo in cui l'abbondanza generata dall'IA coesiste con una carenza di domanda, alimentata da spirali di sostituzione del lavoro, un declino della velocità monetaria e il collasso dei margini degli intermediari.
Il paper presenta PrivPRISM, un framework automatizzato che utilizza modelli linguistici per rilevare discrepanze tra le dichiarazioni sulla sicurezza dei dati di Google Play e le politiche sulla privacy, rivelando che oltre il 50% delle applicazioni analizzate contiene incongruenze che ingannano gli utenti e violano la conformità normativa.
Questo lavoro presenta un framework di simulazione scalabile basato su un modello muscolo-scheletrico completo e controllato da apprendimento per rinforzo, che permette l'analisi quantitativa e la co-ottimizzazione simultanea dei parametri strutturali e delle politiche di controllo nella progettazione di robot interattivi, fornendo metriche biomeccaniche interne altrimenti inaccessibili.
Il paper propone il framework BD-FDG, che genera un dataset di addestramento cognitivamente stratificato per l'adattamento dei modelli linguistici al dominio della consapevolezza situazionale spaziale, ottenendo significativi miglioramenti nelle prestazioni specializzate senza compromettere le capacità generali.
Il paper presenta BridgeDiff, un framework basato su diffusione che supera le limitazioni dei metodi precedenti per la sintesi di indumenti piatti partendo da osservazioni umane, integrando moduli specifici per collegare l'aspetto globale e le strutture piatte e ottenendo così risultati all'avanguardia nella ricostruzione di indumenti virtuali.
Il paper presenta Social-R1, un framework di apprendimento per rinforzo che, sfruttando il benchmark avversario ToMBench-Hard per allineare l'intero processo di ragionamento con la cognizione umana, permette a un modello di soli 4 miliardi di parametri di superare modelli più grandi nel raggiungimento di un'intelligenza sociale autentica.
Questo studio presenta un approccio multi-modello basato su deep learning che integra reti neurali pre-addestrate e personalizzate per migliorare la rilevazione di segnali stradali, veicoli e corsie, nonché il clonaggio comportamentale, al fine di incrementare la robustezza e l'affidabilità dei veicoli autonomi.
Il paper presenta Logos, un modello di ragionamento molecolare compatto che integra il ragionamento logico multistep con la coerenza chimica rigorosa per garantire la validità e l'interpretabilità nella progettazione razionale di molecole, superando i limiti dei modelli esistenti in termini di affidabilità e trasparenza.
Il paper presenta DendroNN, una rete neurale ispirata ai dendriti biologici che utilizza un meccanismo di ricollegamento senza gradienti e un'architettura hardware asincrona per classificare efficientemente dati basati su eventi, raggiungendo un'efficienza energetica fino a 4 volte superiore rispetto alle soluzioni neuromorfiche esistenti.
Il paper presenta DenoiseSplat, un metodo di feed-forward per lo splatting gaussiano 3D che ricostruisce scene da immagini multiview rumorose superando le prestazioni delle soluzioni esistenti grazie a un nuovo benchmark su larga scala e a un addestramento supervisionato solo da render 2D puliti.
Lo studio dimostra che la progettazione della scala di confidenza influisce direttamente sulla qualità dell'incertezza verbalizzata nei LLM, rivelando che scale più granulari (come 0-20) migliorano l'efficienza metacognitiva rispetto allo standard 0-100, il quale favorisce una discretizzazione eccessiva delle risposte.
Questo paper propone "Curveball steering", un metodo di guida non lineare basato su kernel PCA che supera i limiti degli approcci lineari tradizionali intervenendo sulla geometria intrinseca e distorta degli spazi di attivazione dei grandi modelli linguistici.
Il paper presenta CLoE, un framework di apprendimento della consistenza degli esperti che migliora la segmentazione delle immagini mediche multimodali in presenza di modalità mancanti garantendo un accordo decisionale globale e regionale tra gli esperti e un ricalibrazione delle caratteristiche basata sull'affidabilità.
Il paper presenta SpaceSense-Bench, un benchmark multi-modale su larga scala generato in simulazione che fornisce dati sincronizzati (RGB, profondità e LiDAR) con annotazioni semantiche e di posa per 136 modelli di satelliti, dimostrando come dataset diversificati siano essenziali per migliorare la percezione e la navigazione autonoma delle sonde spaziali.
Questo studio propone un pipeline per agenti conversazionali in realtà virtuale che integra le emozioni derivate dalla prosodia nel contesto dialogico degli LLM, dimostrando attraverso un esperimento con 30 partecipanti che tale approccio migliora significativamente la qualità, il naturalismo e l'engagement dell'interazione, con il 93,3% dei partecipanti che preferisce l'agente consapevole delle emozioni.
Il paper presenta TimberAgent, un sistema di recupero guidato da grammatica che utilizza la rappresentazione Texture Resonance Retrieval (TRR) basata su matrici di Gram per colmare il divario semantico tra l'intento percettivo dell'utente e i parametri di elaborazione del segnale, ottenendo risultati superiori nel controllo degli effetti audio modificabili rispetto ai metodi esistenti.
Questo articolo presenta il benchmark STAR, un framework di valutazione multi-agente in ambienti a somma zero che rivela come, oltre alla profondità del ragionamento, la capacità di tradurre le strategie in azioni tempestive sia cruciale per le prestazioni dei modelli linguistici in scenari competitivi dinamici.
Il paper presenta TaSR-RAG, un framework di ragionamento strutturato guidato da una tassonomia che, trasformando query e documenti in triple relazionali e decomponendo le domande complesse in sottoproblemi sequenziali, supera i limiti dei sistemi RAG tradizionali migliorando significativamente l'accuratezza e la tracciabilità del ragionamento multi-hop senza la necessità di costose costruzioni di grafi.
Il paper propone Robust Regularized Policy Iteration (RRPI), un nuovo algoritmo per l'apprendimento per rinforzo offline che affronta l'incertezza di transizione formulando l'ottimizzazione come un problema robusto con regolarizzazione KL, garantendo teoricamente la convergenza e ottenendo prestazioni superiori rispetto agli stati dell'arte su benchmark come D4RL.