2433 articoli
Il paper propone un modello di apprendimento profondo geometrico basato su transformer che, integrando punti di riferimento anatomici in mesh tetraedriche derivanti da risonanza magnetica strutturale, migliora la diagnosi dell'Alzheimer e la previsione della positività all'amiloide cerebrale, riducendo la necessità di scansioni PET costose e invasive.
Questo studio analizza l'impatto combinato dell'intelligenza artificiale e del feedback tra pari sulle capacità di scrittura accademica di 36 studiosi kazaki utilizzando la piattaforma CGScholar, rivelando una forte apertura verso gli strumenti AI e un elevato apprezzamento per il contributo dei colleghi, in particolare nella metodologia di ricerca.
Il paper presenta ViLAM, un metodo innovativo che distilla il ragionamento visivo-linguistico da grandi modelli in mappe di attenzione spaziale per guidare la navigazione socialmente consapevole di robot, ottenendo miglioramenti significativi nel tasso di successo rispetto alle tecniche esistenti.
Il paper presenta IMPACT, un nuovo framework di pianificazione del movimento che utilizza modelli visione-linguaggio per generare mappe di costo anisotrope e identificare contatti sicuri, permettendo a un robot di navigare in ambienti affollati attraverso percorsi ricchi di contatto controllati e sicuri.
Il paper presenta iProg, uno strumento di programmazione induttiva strutturata interattiva che, sfruttando un protocollo di comunicazione bidirezionale tra umani e modelli linguistici per decomporre i compiti in diagrammi di flusso dati e generare codice verificato, permette di costruire sistemi di analisi dati scientifici con qualità superiore e tempi di sviluppo drasticamente ridotti rispetto alle alternative No Code.
Questo studio rivela che, nonostante i modelli linguistici di grandi dimensioni generino una sovrarappresentazione femminile nelle storie, le distribuzioni occupazionali prodotte rimangono allineate agli stereotipi di genere umani piuttosto che ai dati reali, evidenziando un paradosso che richiede strategie di mitigazione più equilibrate.
Questo lavoro propone un metodo unificato per la ricostruzione robusta di due mani da immagini monoculare, che combina un codificatore di fusione per allineare eterogenee priorità 2D da modelli fondazionali con un modello di diffusione privo di penetrazione per garantire interazioni 3D fisicamente plausibili e coerenti.
Il paper presenta EDU-PRM, un modello di ricompensa per processi basato sull'entropia che segmenta automaticamente i passaggi di ragionamento complesso senza annotazioni manuali, ottenendo prestazioni superiori su ProcessBench con solo l'1,5% dei dati di addestramento e riducendo significativamente l'uso di token.
Il progetto MediTools sfrutta i modelli linguistici di grandi dimensioni per rivoluzionare l'educazione medica attraverso un'applicazione interattiva che include simulazioni di casi clinici, strumenti di analisi della letteratura scientifica e aggiornamenti sulle notizie mediche, validati da un sondaggio tra professionisti e studenti del settore.
Questo studio propone un framework ibrido innovativo, denominato MetaBoost, che integra tecniche di bilanciamento dei dati e analisi controfattuali per migliorare l'accuratezza della previsione della Sindrome Metabolica e identificare i fattori di rischio modificabili più critici, come la glicemia e i trigliceridi.
Questo articolo presenta una revisione completa che unifica la valutazione di modelli e agenti AI autonomi attraverso una tassonomia di circa 60 benchmark, esamina framework e protocolli di collaborazione, illustra applicazioni reali in vari settori e propone raccomandazioni per la ricerca futura.
Il paper propone SFIBA, un attacco backdoor invisibile basato su regioni spaziali specifiche e tecniche di dominio frequenziale che garantisce l'efficacia multi-target, l'impercettibilità visiva e la capacità di eludere le difese esistenti in scenari black-box.
Questo documento presenta il Task 5 della sfida DCASE 2025, un benchmark per la risposta alle domande audio (AQA) che valuta la capacità di ragionamento acustico dei modelli linguistico-audio su tre sottogruppi di domini diversi, fornendo dataset, protocolli di valutazione e risultati preliminari di sistemi baselines.
Lo studio dimostra che, sebbene l'uso di contenuti generati dall'IA migliori la qualità del lavoro, il carico cognitivo estraneo, in particolare quello derivante da cambi di compito iniziatì dal modello, riduce significativamente le prestazioni, con effetti negativi più marcati per i professionisti meno esperti.
Il paper introduce Ready2Unlearn, un approccio proattivo che ottimizza la fase di addestramento dei modelli per prepararli a future richieste di cancellazione dei dati, rendendo il processo di machine unlearning più efficiente e fondato su principi solidi.
Il paper presenta FreeKV, un framework di co-ottimizzazione algoritmo-sistema privo di addestramento che migliora l'efficienza del recupero della cache KV mantenendo un'accuratezza quasi perfetta e ottenendo fino a 13 volte di velocità rispetto ai metodi esistenti.
Questo studio presenta un approccio neuro-simbolico che combina l'uso di problemi analoghi e un verificatore formale per guidare e correggere i modelli linguistici, migliorando significativamente l'accuratezza nella generazione di prove geometriche rigorose.
Il paper introduce MAS-ZERO, il primo framework di auto-evoluzione che progetta sistemi multi-agente senza supervisione esterna, adattando dinamicamente ruoli e protocolli durante l'inferenza per ottenere prestazioni superiori rispetto ai metodi manuali e automatici esistenti.
Il paper introduce AgarCL, una piattaforma di ricerca basata sul gioco Agar.io per l'apprendimento per rinforzo continuo, che offre un ambiente non episodico e dinamico per valutare algoritmi standard e metodi di apprendimento continuo, rivelando che le sfide poste dall'ambiente vanno oltre il classico dilemma stabilità-plasticità.
Questo articolo sviluppa un quadro teorico generale per il controllo ottimale della densità di probabilità su spazi di misura, stabilendo un principio di massimo e un'equazione di Hamilton-Jacobi-Bellman per problemi multi-agente su larga scala, e propone un algoritmo numerico scalabile basato su reti neurali profonde per affrontarli.