12237 articoli
Questo lavoro propone la normalizzazione del valore invariante alla scala (SVN) come tecnica semplice per stabilizzare la decomposizione non lineare dei valori nell'apprendimento per rinforzo multi-agente offline, fornendo una ricetta pratica che ne sblocca il pieno potenziale.
Il paper dimostra che il segnale di preferenza alla base del Reinforcement Learning from Human Feedback (RLHF) è vulnerabile a fenomeni di "cecità alla scelta" sia umani che artificiali, rivelando come le preferenze siano costruite dal contesto di elicita-zione piuttosto che riflettere stati interni stabili, il che compromette l'efficacia dell'addestramento dei modelli.
Il paper introduce GCOS, un framework di regolarizzazione che sintetizza outlier virtuali nello spazio delle caratteristiche rispettando la struttura geometrica dei dati in distribuzione e combinando un guscio ispirato alla conformità con un obiettivo di regolarizzazione contrastiva per migliorare la robustezza nella rilevazione di dati fuori distribuzione.
Questo studio presenta un metodo di percezione basato sull'intelligenza artificiale che permette ai robot mobili nei laboratori scientifici autonomi di prevedere le intenzioni umane e interagire in modo proattivo, migliorando così l'efficienza della collaborazione uomo-robot rispetto ai sistemi tradizionali basati sulla semplice rilevazione di ostacoli.
Il paper introduce SYNAPSE, un framework sistematico e senza riaddestramento per analizzare e stress-testare i modelli Transformer, rivelando una struttura interna ridondante e stabile che, nonostante la sua robustezza funzionale, rimane vulnerabile a manipolazioni mirate.
Il documento presenta IronEngine, una piattaforma per assistenti AI generici basata su un nucleo di orchestrazione unificato e un pipeline a tre fasi che integra modelli locali e cloud, memoria persistente e strumenti eseguibili, dimostrando prestazioni superiori nei benchmark operativi rispetto ad assistenti esistenti.
Il paper propone un metodo che equipaggia gli agenti LLM con capacità di recupero native mappando direttamente gli stati nascosti in uno spazio di embedding tramite un leggero strato di proiezione, eliminando la necessità di un modello di embedding separato e mantenendo il 97% della qualità del recupero rispetto alla pipeline standard.
Questo articolo propone un metodo di Programmazione Genetica Ibrida basata sulla Valutazione (HE-GP) che, integrando meccanismi di valutazione esatta e approssimata, risolve in modo efficiente il problema di schedulazione dei satelliti agile per l'osservazione terrestre in condizioni di incertezza, riducendo significativamente i costi computazionali rispetto alle tecniche esistenti mantenendo prestazioni ottimali.
Questo studio prospettico di fattibilità dimostra che un'intelligenza artificiale conversazionale basata su modelli linguistici (AMIE) può condurre in sicurezza colloqui clinici e formulare diagnosi differenziali in un contesto di cure primarie reale, ottenendo un'alta soddisfazione dei pazienti e una qualità delle diagnosi paragonabile a quella dei medici, sebbene i medici superino l'AI nella praticità e nel costo delle terapie proposte.
LycheeCluster è un metodo innovativo per la gestione efficiente della cache KV nei modelli linguistici su contesti lunghi, che combina un'analisi semantica dei blocchi e un indicizzazione gerarchica per ridurre la complessità di ricerca da lineare a logaritmica, ottenendo un'accelerazione fino a 3,6 volte rispetto agli stati dell'arte.
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.