11674 articoli
Il progetto YAQIN presenta un'applicazione di intelligenza artificiale co-progettata che integra principi psicologici islamici e un chatbot sensibile alla fede per fornire supporto alla salute mentale culturalmente pertinente e aumentare la fiducia tra le donne musulmane nel Regno Unito.
Lo studio dimostra che i modelli linguistici di grandi dimensioni (LLM) mostrano bias decisionali rigidi e una scarsa capacità di esplorazione in contesti a due bracci, comportamenti che persistono indipendentemente dalle impostazioni di decodifica e che, come rivelato dalla modellazione computazionale, derivano da bassi tassi di apprendimento e alte temperature inverse, con implicazioni significative per le interazioni uomo-AI.
Questo studio presenta una nuova architettura multi-agente basata su OpenSeesPy che riduce le allucinazioni e gli errori accumulati nei modelli strutturali complessi, ottenendo un'accuratezza del 100% nella maggior parte dei casi di test.
Questo studio valuta le capacità dei modelli linguistici di grandi dimensioni (LLM) nel risolvere problemi di ottimizzazione discreta su larga scala, rivelando che le prestazioni migliori dipendono dalla forza del modello e che tecniche come il ragionamento passo-passo (CoT) non sono sempre efficaci, fornendo così linee guida e benchmark per ricerche future.
Il paper propone FedShift, un nuovo attacco avversario distribuito "Nascondi e Trova" per l'apprendimento federato su grafi che, attraverso l'iniezione di uno "shifter" nascosto e un'ottimizzazione successiva, raggiunge un'efficacia superiore, un'efficienza temporale migliorata di oltre il 90% e la capacità di eludere le principali difese esistenti.
Il paper presenta DECADE, un modello di diffusione non supervisionato e temporalmente coerente che migliora il denoising delle immagini PET cardiache dinamiche con Rb-82, preservando l'accuratezza quantitativa e la qualità delle immagini senza richiedere dati di addestramento accoppiati.
Il paper presenta QuadAI, un sistema per l'analisi del sentiment basato su aspetti multidimensionale che combina un encoder RoBERTa ibrido con modelli linguistici di grandi dimensioni (LLM) tramite apprendimento d'insieme, ottenendo risultati significativamente migliori rispetto ai modelli individuali.
Il paper presenta ProgAgent, un agente di apprendimento per rinforzo continuo che unifica un sistema ad alte prestazioni basato su JAX con un meccanismo di ricompensa progressiva derivato da video esperti, superando il problema della dimenticanza catastrofica e ottenendo prestazioni superiori rispetto agli agenti con memoria perfetta su benchmark robotici complessi.
Questo studio valuta i pregiudizi sociali in sette modelli linguistici di grandi dimensioni all'interno del contesto culturale nepalese, rivelando che le metriche di accordo esplicito non catturano adeguatamente i bias generativi impliciti e sottolineando la necessità di dataset culturalmente fondati per le società sottorappresentate.
Questo lavoro presenta un metodo basato su reti neurali fisicamente informate con una configurazione multi-testa e vincoli di ortogonalità per costruire spazi di embedding a bassa dimensionalità che catturano in modo robusto e interpretabile le dinamiche non lineari dell'equazione di Burgers viscosa.
Il paper introduce HybridStitch, un nuovo paradigma per la generazione Text-to-Image che accelera i modelli di diffusione combinando un modello piccolo per la bozza iniziale e un modello grande per il raffinamento selettivo delle regioni complesse, ottenendo un speedup di 1,83 volte su Stable Diffusion 3.
Questo articolo propone un framework di generazione di colonne con euristiche di pricing per risolvere il generalizzato problema di zonizzazione del micro-transito, dimostrando sperimentalmente che tale approccio produce soluzioni di qualità superiore e scala meglio rispetto ai metodi esistenti nelle principali città statunitensi.
Questo lavoro introduce il Gradient Iterated Temporal-Difference learning, un nuovo algoritmo che modifica l'apprendimento iterato calcolando i gradienti sui target mobili per creare un metodo TD basato sul gradiente che, pur risolvendo i problemi di divergenza, mantiene una velocità di apprendimento competitiva rispetto ai metodi semi-gradiente, come dimostrato su benchmark Atari.
Questo articolo propone il "Learning Visibility Framework" per affrontare l'uso improprio dell'IA nell'istruzione non come un problema di rilevamento, ma come una sfida di misurazione legata alla perdita di visibilità sul processo di apprendimento, suggerendo di passare dalla sorveglianza alla trasparenza condivisa tra studenti e docenti.
Il paper presenta DistillGuard, un framework che valuta nove configurazioni difensive contro la distillazione della conoscenza da LLM proprietari, rivelando che la maggior parte delle difese a livello di output è inefficace nel compromettere le capacità del modello studente, con l'eccezione parziale della rimozione del chain-of-thought che riduce solo le prestazioni nel ragionamento matematico.
Il paper presenta AI Steerability 360, una libreria Python open-source e nativa di Hugging Face che offre un'interfaccia unificata per controllare, comporre e valutare in modo sistematico i metodi di steering dei grandi modelli linguistici attraverso quattro superfici di controllo: input, struttura, stato e output.
Lo studio dimostra che la disinformazione intenzionale nei sistemi multi-agente LLM è una capacità controllabile che sfrutta principalmente la distrazione strategica e l'inferenza delle motivazioni, rivelando l'inefficacia delle attuali difese basate sulla verifica fattuale.
Il paper presenta SynPlanResearch-R1, un framework che migliora le prestazioni degli agenti di ricerca web sintetizzando traiettorie di utilizzo degli strumenti che incoraggiano un'esplorazione più profonda durante il fine-tuning supervisionato, ottenendo risultati superiori rispetto alle tecniche attuali su diversi benchmark.
Il paper introduce la Sleep Replay Consolidation (SRC), un approccio post-allenamento ispirato al sonno biologico che migliora la calibrazione e l'affidabilità delle reti neurali artificiali riproducendo internamente le rappresentazioni senza necessità di riaddestramento supervisionato.
Il paper introduce un nuovo framework e dataset per valutare l'informatività orientata alle decisioni dei modelli visione-linguaggio nel settore alberghiero, rivelando che, sebbene le prestazioni migliorino con un fine-tuning specifico, i modelli attuali non sono intrinsecamente consapevoli delle esigenze informative degli utenti.