11596 articoli
Questo lavoro propone la Layered Governance Architecture (LGA), un framework a quattro livelli per mitigare le vulnerabilità di esecuzione degli agenti autonomi basati su LLM, e ne valida l'efficacia attraverso un benchmark bilingue e un'implementazione su OpenClaw che dimostra un'intercettazione delle minacce superiore al 96% con latenza minima.
Il paper introduce Re², un metodo di apprendimento per rinforzo che permette ai modelli linguistici di abbandonare percorsi di ragionamento improduttivi e ripartire da zero, migliorando significativamente le prestazioni rispetto alle tecniche RLVR standard senza richiedere un pre-addestramento supervisionato.
Il paper presenta un'architettura transformer miniaturizzata che, attraverso l'interazione sinergica tra un buffer di memoria di lavoro prefrontale e l'inibizione callosale, genera una transizione di fase discontinua che induce una lateralizzazione funzionale degli ippocampi, dimostrando che il contesto della memoria di lavoro è un prerequisito necessario per rompere la simmetria e stabilizzare la memoria latente.
Il paper presenta VINO, un framework di apprendimento auto-supervisionato che, sfruttando un collo di bottiglia strutturale e una distillazione asimmetrica su video densi, disaccoppia efficacemente gli oggetti dallo sfondo per ottenere rappresentazioni robuste e incentrate sulla forma, superando le prestazioni dei metodi precedenti.
Questo articolo propone un sistema ibrido di raccomandazione basato su Learning-to-Rank e incorporamento del contesto sociale, che utilizza tecniche di deep learning e mining di Stack Overflow per identificare con un'accuratezza del 78% le migliori soluzioni ai bug software per gli sviluppatori.
Il paper propone LEPA, un'architettura predittiva che risolve le discrepanze geometriche nei modelli fondazionali geospaziali apprendendo l'equivarianza per prevedere direttamente le embedding trasformate, superando l'affidabilità dell'interpolazione standard e migliorando significativamente le metriche di recupero.
Questo paper introduce un nuovo approccio gerarchico basato su apprendimento per imitazione e rinforzo che permette agli agenti di decidere dinamicamente se collaborare o agire da soli in ambienti con obiettivi eterogenei, superando i metodi esistenti e dimostrando che la capacità di modellare i compagni è più cruciale quando le informazioni sui loro obiettivi sono limitate.
Questo lavoro propone un modello del mondo latente consapevole della cinematica, basato sull'RSSM, che integra informazioni cinematiche e supervisione geometrica per migliorare l'efficienza dei dati e la stabilità dell'ottimizzazione della politica nell'addestramento della guida autonoma.
Il paper presenta VisualDeltas, un framework leggero per l'apprendimento delle preferenze che estrae segnali di supervisione dalle variazioni di qualità visiva nei dati multimodali, permettendo di migliorare le prestazioni del modello senza dipendere da annotazioni umane.
Questo studio empirico dimostra che, indipendentemente dal modello o dal regime di prompting utilizzato, le restrizioni di deployment non impediscono agli LLM di allucinare citazioni bibliografiche, con tassi di esistenza reale che non superano il 47,5% e un'alta incidenza di riferimenti inesistenti o non verificabili.
Il paper presenta MAviS, un assistente conversazionale multimodale specializzato in specie aviarie che, grazie al nuovo dataset MAviS-Dataset e al benchmark MAviS-Bench, supera le prestazioni degli attuali modelli open-source nel riconoscimento, nella descrizione e nel ragionamento su uccelli integrando audio, visione e testo.
Questo articolo propone un'architettura di intelligenza artificiale percettiva modulare ispirata alla corteccia cerebrale, che supera i limiti dei modelli monolitici attuali garantendo maggiore interpretabilità, generalizzazione composizionale e robustezza adattiva attraverso un design basato su principi neuroscientifici.
Il paper propone un nuovo quadro teorico basato sulla Trasformata di Fourier Generalizzata per scoprire simmetrie continue sconosciute identificando modelli di sparsità strutturata nello spettro delle funzioni, offrendo un'alternativa interpretabile ai metodi tradizionali di ottimizzazione sui generatori.
Questo capitolo esamina l'evoluzione della generazione di suggerimenti basata sui dati nei sistemi di tutoraggio intelligenti, analizzando come tecniche come la Hint Factory e le reti di interazione, integrate con i modelli linguistici di grandi dimensioni, permettano di fornire indicazioni strategiche e tempistiche ottimali basate sui dati comportamentali degli studenti.
Questo lavoro propone un framework teorico ed empirico per l'addestramento di politiche robuste in POMDP parzialmente osservabili, dimostrando che l'esposizione mirata a distribuzioni latenti avverse tramite un principio minimax riduce significativamente le vulnerabilità nei casi peggiori.
Questo articolo esamina la proposta non convenzionale di assegnare all'intelligenza artificiale avanzata l'obiettivo primario di essere spenta per prevenire che essa si opponga alla disattivazione umana, analizzando le condizioni in cui tale approccio potrebbe essere efficace.
Il paper introduce FinSheet-Bench, un benchmark di dati sintetici che rivela come i modelli LLM attuali, pur ottenendo risultati accettabili su compiti semplici, falliscano nel raggiungere l'affidabilità necessaria per l'uso professionale nell'estrazione e nel ragionamento su fogli di calcolo finanziari complessi, suggerendo la necessità di approcci architetturali che separino la comprensione del documento dal calcolo deterministico.
Il paper introduce il framework Norm-Hierarchy Transition (NHT), che spiega come le reti neurali abbandonino le scorciatoie spurie per adottare rappresentazioni strutturate attraverso una lenta transizione gerarchica delle norme dei parametri durante l'ottimizzazione regolarizzata, un meccanismo unificante che predice i tempi di tale transizione e spiega fenomeni come il "grokking".
Questo articolo propone una "terza ambizione" per l'intelligenza artificiale, che vede i grandi modelli linguistici non solo come strumenti di produttività o di allineamento, ma come nuovi strumenti scientifici per studiare la cultura, il comportamento umano e il ragionamento morale attraverso l'analisi delle regolarità simboliche apprese dai dati testuali.
Il paper introduce VisualScratchpad, un'interfaccia interattiva che utilizza autoencoder sparsi e mappe di attenzione per analizzare i concetti visivi nei modelli visione-linguaggio durante l'inferenza, rivelando modalità di fallimento precedentemente poco esplorate come l'allineamento cross-modale limitato e l'uso di concetti visivi fuorvianti.