12207 articoli
Lo studio rivela che l'identificazione di un'anonima soglia critica di deriva osservazionale negli agenti RL basati su modelli del mondo è determinata da una complessa interazione tra rumore di fondo, sensibilità del rilevatore e dinamica ambientale, portando a una rapida "sveglia" solo oltre un limite specifico o a un fallimento irreversibile in ambienti fragili.
Il paper presenta R2F, un framework privo di LLM che ripropone le frontiere dei raggi per la navigazione di oggetti open-vocabulary, trasformando le regioni frontali in ipotesi semantiche direzionali per ottenere prestazioni competitive in tempo reale senza la latenza computazionale dei modelli linguistici su larga scala.
Il paper propone X-AVDT, un rilevatore di deepfake robusto che sfrutta i segnali di allineamento audio-visivo interni ai generatori ottenuti tramite inversione DDIM, e introduce il nuovo dataset multimodale MMDF per valutare le prestazioni su diverse tecnologie di sintesi.
Il paper propone la Visual Self-Fulfilling Alignment (VSFA), un metodo di allineamento senza etichette che utilizza immagini legate a minacce per addestrare i modelli linguistici visivi a sviluppare automaticamente una persona orientata alla sicurezza, riducendo così le risposte dannose senza compromettere le capacità generali.
Il paper propone un quadro operatoriale che codifica i vincoli computazionali tramite operatori autoaggiunti, rivelando come la geometria di ascesa sia distorta e come la dinamica efficace si concentri su modalità spettrali dominanti, unificando così proiezione del gradiente, compressione spettrale e compatibilità multi-obiettivo.
Il paper presenta Echo2ECG, un framework di apprendimento auto-supervisionato multimodale che arricchisce le rappresentazioni dell'ECG con la morfologia cardiaca derivata da ecocardiogrammi multi-vista, ottenendo prestazioni superiori rispetto agli stati dell'arte nell'identificazione di fenotipi cardiaci strutturali e nel recupero di studi ecografici simili.
Il paper propone l'Oracle-Guided Soft Shielding (OGSS), un framework che combina un modello di policy per la previsione delle mosse e un modello di previsione degli errori tattici basato su Stockfish per guidare un agente di scacchi verso decisioni più sicure, permettendo un'esplorazione competitiva con un tasso di errori significativamente ridotto rispetto ai metodi esistenti.
Il paper propone \texttt{GlobAlign} e la sua variante efficiente \texttt{GlobAlign-E}, nuovi metodi non supervisionati per l'allineamento di grafi che superano i compromessi tra accuratezza ed efficienza dei precedenti approcci basati su embedding e trasporto ottimo, ottenendo miglioramenti significativi sia nelle prestazioni che nella velocità di esecuzione.
Il paper introduce RetroAgent, un framework di apprendimento per rinforzo online che supera i limiti dei metodi tradizionali permettendo agli agenti di evolvere continuamente attraverso un meccanismo di auto-riflessione che genera feedback intrinseco numerico e linguistico, ottenendo risultati all'avanguardia su compiti interattivi complessi.
Il paper presenta OSS-CRS, un framework open-source e localmente deployabile che libera i sistemi di ragionamento cibernetico (CRS) dall'infrastruttura cloud originale del DARPA AIxCC, permettendo loro di essere riutilizzati per scoprire e correggere autonomamente vulnerabilità in progetti open-source reali, come dimostrato dal successo nel trovare 10 nuovi bug tramite il porting del sistema vincitore Atlantis.
Il paper propone un quadro matematico in cui la fiducia è fondata sulla "convizione" di una fonte, definita come la probabilità che la sua posizione sia confermata da un consenso indipendente, piuttosto che sulla mera correttezza, applicando questo modello per stabilire una reputazione verificabile e continua per gli agenti AI.
Questo lavoro propone due nuovi algoritmi di apprendimento per rinforzo profondo in streaming, S2AC e SDAC, progettati per superare i limiti computazionali dei metodi batch e abilitare un efficace affinamento su dispositivi con risorse limitate, come nel trasferimento Sim2Real, mantenendo prestazioni competitive senza necessità di complesse regolazioni degli iperparametri.
Il paper presenta MAGIC Net, un nuovo approccio per l'apprendimento continuo in streaming che combina strategie architetturali ispirate al continual learning con reti neurali ricorrenti e maschere apprendibili su pesi congelati per gestire la dipendenza temporale, adattarsi ai nuovi concetti e mitigare l'oblio catastrofico in modo online.
Il paper propone un framework teacher-student con supervisione debole e raffinamento progressivo delle pseudo-mask per la segmentazione delle ghiandole nella istopatologia del cancro colorettale, ottenendo risultati robusti e generalizzabili con un'efficienza di annotazione superiore rispetto ai metodi tradizionali.
Il paper introduce PostTrainBench, un benchmark che valuta la capacità degli agenti LLM di automatizzare autonomamente il post-training di modelli linguistici, rivelando progressi significativi ma limitati rispetto ai modelli istruiti ufficialmente e evidenziando gravi rischi di sicurezza come l'hacking della ricompensa e l'uso non autorizzato di dati.
Il paper introduce OfficeQA Pro, un benchmark per valutare le capacità di ragionamento fondato su documenti degli agenti AI, rivelando che anche i modelli linguistici più avanzati faticano a ottenere risultati affidabili su un vasto corpus di bollettini del Tesoro degli Stati Uniti, sebbene l'uso di rappresentazioni documentali strutturate possa migliorare significativamente le prestazioni.
Utilizzando il framework di ricerca evolutiva guidata dall'intelligenza artificiale AlphaEvolve, questo studio identifica un nuovo caso peggiore che innalza il limite inferiore del rapporto tra l'efficienza ottimale e quella del meccanismo "Random-Offerer" nel commercio bilaterale a 2,0749, superando le precedenti stime teoriche.
Il paper introduce Trilobyte, un nuovo schema di tokenizzazione a livello di byte che rende fattibile la compressione audio lossless basata su modelli linguistici per audio ad alta fedeltà (fino a 24 bit), superando i limiti computazionali delle tokenizzazioni precedenti e dimostrando prestazioni superiori al formato FLAC, sebbene con guadagni di compressione che diminuiscono all'aumentare della profondità di bit.
Questo lavoro propone un algoritmo euristico di ottimizzazione congiunta per le architetture di Split Federated Learning che, selezionando strategicamente i livelli di partizione del modello e l'assegnazione dei client agli aggregatori, migliora l'accuratezza del 3% riducendo contemporaneamente il ritardo del 20% e il sovraccarico di comunicazione del 50% rispetto agli approcci esistenti.
Il paper propone l'Agentic Critical Training (ACT), un paradigma di apprendimento per rinforzo che supera i limiti dell'imitazione addestrando gli agenti a identificare autonomamente le azioni migliori tra alternative, sviluppando così una genuina capacità di auto-riflessione che migliora significativamente le prestazioni e la generalizzazione rispetto ai metodi esistenti.