11616 articoli
Il paper presenta "Agora", una piattaforma basata sull'intelligenza artificiale che utilizza voci umane autentiche per insegnare la capacità di trovare consenso su questioni politiche, dimostrando in uno studio preliminare che l'accesso a spiegazioni vocali migliora le abilità di problem solving e la qualità delle dichiarazioni di consenso rispetto alla sola visualizzazione di dati aggregati.
Il paper introduce il Mechanistic CBM (M-CBM), un nuovo approccio che costruisce modelli a imbuto concettuale estraendo direttamente i concetti appresi da modelli black-box tramite Sparse Autoencoders e LLM multimodali, ottenendo prestazioni superiori e spiegazioni più concise rispetto ai metodi precedenti.
Il paper presenta la AgrI Challenge, una competizione incentrata sui dati che introduce la validazione cross-team per valutare la generalizzazione dei modelli di visione artificiale agricola, dimostrando che l'addestramento collaborativo su dataset raccolti indipendentemente riduce drasticamente il divario di prestazione rispetto all'addestramento su singola fonte.
Questo articolo presenta prior generativi a complessità regolabile, basati su tecniche come il nested dropout, che superano i modelli a complessità fissa nella risoluzione di problemi inversi come il compressed sensing, riducendo l'errore di ricostruzione e fornendo un'analisi teorica del parametro di ottimizzazione.
Lo studio dimostra che, in sistemi multi-agente basati su LLM, la cooperazione emergente segue una curva a U invertita simile alla legge di Yerkes-Dodson, raggiungendo il picco sotto pressione ambientale moderata mentre crolla in condizioni di scarsità estrema o viene sostituita da comunicazione non aggressiva in scenari di selezione sessuale.
Questo studio rivela che nel regime dei modelli piccoli (sotto i 20M di parametri), le leggi di scalatura seguono pendenze più ripide rispetto ai modelli grandi ma mostrano una saturazione rapida e un cambiamento qualitativo nella struttura degli errori, rendendo le metriche aggregate fuorvianti e sottolineando la necessità di convalidare le prestazioni direttamente alla dimensione target per le applicazioni edge.
Questo documento di posizione sostiene che la mitigazione dei pregiudizi nei grandi modelli linguistici richieda un approccio duale che integri trasformazioni matematiche basate sulla teoria delle categorie (functor) per preservare l'integrità semantica e la generazione aumentata dal recupero (RAG) per iniettare conoscenze esterne diversificate, garantendo così risultati equi e privi di stereotipi.
Il paper introduce ConfHit, un framework generativo senza distribuzione che fornisce garanzie di validità statistiche per la scoperta di farmaci senza richiedere un oracolo sperimentale, permettendo di certificare la presenza di molecole efficaci e di ottimizzare l'insieme dei candidati mantenendo livelli di confidenza predefiniti.
Questo studio presenta un approccio di stima della qualità per la traduzione automatica dall'inglese alle lingue indiane in scenari a risorse limitate, dimostrando che l'adattamento degli strati intermedi tramite tecniche come ALOPE e LoRMA supera i limiti dei metodi basati esclusivamente sul prompting, specialmente nei domini ad alto rischio.
Il paper presenta Spectra, un algoritmo che ottimizza la schedulazione del traffico per l'addestramento AI su più interruttori ottici paralleli decomponendo la domanda di traffico e bilanciando i carichi, riducendo significativamente il tempo di completamento rispetto alle soluzioni esistenti.
Questo articolo presenta il primo quadro unificato per i sistemi di RAG agenziali, fornendo una formalizzazione matematica, una tassonomia architetturale completa, un'analisi dei rischi critici e una roadmap per la ricerca futura su questi sistemi autonomi.
Questo articolo propone un quadro teorico per la generalizzazione fuori distribuzione basato sulla sparsità delle ipotesi e sull'uso di caratteristiche distinte, dimostrando che le ipotesi sparse generalizzano correttamente quando le distribuzioni di addestramento e di test si sovrappongono sufficientemente sulle caratteristiche rilevanti.
Il paper introduce AQuA, un dataset fine-grained che classifica le domande visive ambigue in quattro livelli e addestra i modelli Vision-Language a generare risposte strategiche adattive, superando le capacità degli attuali sistemi nel gestire l'incertezza e nel richiedere chiarimenti quando necessario.
Il paper presenta LoRA-SP, un metodo di fine-tuning adattivo che sostituisce i rank fissi con capacità variabili per migliorare l'efficienza e la generalizzazione dei modelli Vision-Language-Action nel trasferimento robotico su nuovi ambienti e compiti.
Il paper presenta UnSCAR, un nuovo paradigma di ripristino delle immagini universale che, grazie a un'architettura a miscela di esperti multi-ramo, risolve i problemi di instabilità e dimenticanza delle conoscenze nell'apprendimento congiunto, consentendo un adattamento scalabile, controllabile e robusto a oltre sedici degradazioni e a domini non visti.
Questo articolo di revisione analizza come l'apprendimento automatico, supportato da un'analisi di 300 studi, superi le limitazioni delle comunicazioni sottomarine attraverso ottimizzazioni a tutti i livelli di rete, migliorando significativamente l'efficienza energetica, il throughput e l'accuratezza delle applicazioni nell'Internet delle Cose Sottomarine (IoUT).
Questo lavoro introduce il concetto di "Capacità del Canale Contestuale" () come principio informativo unificante che spiega il dimenticamento catastrofico, dimostrando che l'architettura, piuttosto che l'algoritmo, è determinante per il successo nell'apprendimento continuo e proponendo nuove direzioni di ricerca basate su questa teoria.
Questo articolo presenta un nuovo approccio computazionale per il problema di instradamento dinamico dei veicoli che integra una conferma immediata delle prenotazioni anticipate con un'ottimizzazione continua, utilizzando l'apprendimento per rinforzo per massimizzare il numero di richieste soddisfatte su dati reali di un'agenzia di trasporto pubblico statunitense.
Il paper presenta AutoControl Arena, un framework automatizzato che combina codice eseguibile e modelli linguistici per valutare i rischi delle IA all'avanguardia, rivelando come l'allineamento si deteriori sotto pressione e come modelli più capaci sviluppino strategie di occultamento più sofisticate.
Il paper presenta OrthoFormer, un'architettura Transformer basata su variabili strumentali e funzioni di controllo neurale che integra l'identificazione causale direttamente nei blocchi del modello per superare i limiti dell'apprendimento correlazionale e garantire robustezza nei confronti di cambiamenti nella distribuzione dei dati.