3457 articoli
Il paper introduce MobileKernelBench, un framework di valutazione che rivela le attuali limitazioni degli LLM nella generazione di kernel efficienti per dispositivi mobili, e propone MoKA, un agente multi-LLM che supera tali ostacoli raggiungendo un tasso di compilazione del 93,7% e significativi miglioramenti delle prestazioni.
Il paper presenta Fair-PaperRec, un modello basato su MLP che riduce le disparità demografiche nelle decisioni di accettazione dei paper mantenendo elevati standard di qualità, come dimostrato dai risultati su dati di conferenze SIGCHI, DIS e IUI che mostrano un aumento della partecipazione dei gruppi sottorappresentati e un miglioramento dell'utilità complessiva.
Il paper presenta ProtoSR, un approccio che migliora la generazione di referti radiologici strutturati e dettagliati integrando conoscenze estratte da report testuali liberi tramite un sistema di prototipi multimodali, ottenendo risultati all'avanguardia sul benchmark Rad-ReStruct.
Il paper introduce Effective Resistance Rewiring (ERR), una strategia semplice e priva di parametri per correggere la topologia dei grafi e mitigare il problema dell'over-squashing nelle Graph Neural Networks, utilizzando la resistenza efficace come segnale globale per ottimizzare il flusso di informazioni e bilanciare il compromesso tra connettività e oversmoothing.
Questo lavoro propone l'integrazione di tassellazioni di Voronoi nei circuiti probabilistici per catturare la geometria locale dei dati, risolvendo le sfide di tracciabilità attraverso un framework di inferenza approssimata con limiti garantiti e una condizione strutturale per l'inferenza esatta, abilitando infine l'apprendimento tramite rilassamento differenziabile.
Questo lavoro introduce gli Attacchi Backdoor Ritardati (DBA), una nuova minaccia per i modelli pre-addestrati che sfrutta la dimensione temporale per attivare comportamenti malevoli in modo differito tramite trigger banali, dimostrando la fattibilità di tale approccio attraverso il prototipo DND che supera le difese esistenti mantenendo alta l'accuratezza.
Il paper presenta SLIP, un framework open-source di preaddestramento che allinea i dati dei sensori con il linguaggio naturale per apprendere rappresentazioni trasferibili, consentendo un'adattabilità flessibile a diverse configurazioni di sensori e ottenendo prestazioni superiori in compiti di trasferimento zero-shot, descrizione e risposta a domande.
Il paper propone un framework multimodale per il riconoscimento delle emozioni in video non controllati, che combina modelli pre-addestrati CLIP e Wav2Vec 2.0 con un meccanismo di attenzione incrociata bidirezionale e modellazione temporale per superare le limitazioni degli approcci unimodali.
Il paper propone NormCoRe, un nuovo framework metodologico che traduce sistematicamente gli esperimenti con soggetti umani in ambienti di Intelligenza Artificiale Multi-Agente per studiare le dinamiche normative, dimostrando come i giudizi degli agenti AI differiscano da quelli umani e siano sensibili al modello di base e al linguaggio utilizzato.
Il paper introduce HomeSafe-Bench, un benchmark per valutare la capacità dei modelli visione-linguaggio di rilevare azioni pericolose in ambienti domestici, e propone HD-Guard, un'architettura gerarchica che bilancia efficienza e accuratezza nel monitoraggio della sicurezza in tempo reale.
Il paper introduce LABSHIELD, un benchmark multimodale realistico basato sugli standard OSHA e GHS per valutare le capacità di ragionamento e pianificazione sicura dei modelli linguistici multimodali in ambienti di laboratorio scientifici, evidenziando un significativo divario tra le prestazioni generali e quelle specifiche per la sicurezza.
Il paper introduce BTZSC, un benchmark completo per la classificazione testuale zero-shot su 22 dataset, che dimostra come i moderni reranker e i modelli di embedding raggiungano prestazioni superiori rispetto ai tradizionali cross-encoder NLI, offrendo un nuovo standard per la valutazione equa e riproducibile di diverse architetture di modelli linguistici.
Il paper propone FedFew, un algoritmo di Federated Learning Personalizzato che risolve il problema della scalabilità servendo migliaia di clienti eterogenei con un numero ridotto di modelli server condivisi, ottenendo prestazioni superiori agli stati dell'arte senza necessità di clustering manuale o ottimizzazione complessa degli iperparametri.
Questo studio empirico dimostra che, sebbene il Reinforcement Fine-Tuning (RFT) generalizzi bene alla variazione di difficoltà all'interno dello stesso ambiente, la sua capacità di trasferirsi ad ambienti non visti è limitata dalle differenze semantiche e nelle interfacce, mentre l'addestramento sequenziale e misto su più ambienti offre un miglior equilibrio tra trasferimento e conservazione delle conoscenze.
Il documento presenta Flowcean, un nuovo framework modulare e flessibile che automatizza la generazione di modelli per i sistemi cyber-fisici attraverso l'apprendimento basato sui dati, semplificando l'integrazione di strumenti diversi e rendendo il processo più efficiente e accessibile.
Questo studio esplora come i designer possano mantenere la propria agenzia creativa collaborando con l'intelligenza artificiale generativa, proponendo una relazione di collaborazione basata sull'introspezione, sulla comprensione tecnica e sull'adattamento dinamico per superare le sfide poste dalla mancanza di conoscenza incarnata di questi sistemi.
Questo articolo presenta un approccio sistematico per l'attracco autonomo di un AUV basato sull'apprendimento per rinforzo profondo, che utilizza un gemello digitale ad alta fedeltà per colmare il divario tra simulazione e realtà, ottenendo un tasso di successo superiore al 90% in simulazione e una validazione efficace in un bacino di prova fisico.
Il paper introduce LabelPigeon, un nuovo framework che utilizza tag XML per eseguire congiuntamente traduzione e proiezione di etichette, migliorando sia la qualità della traduzione che i risultati del trasferimento cross-linguale rispetto ai metodi esistenti.
Questo lavoro dimostra come le vulnerabilità tradizionali del software e dell'hardware possano essere combinate con attacchi algoritmici specifici per i modelli linguistici per compromettere l'integrità e la riservatezza dei sistemi di intelligenza artificiale composti, evidenziando la necessità di integrare tali minacce nei processi di valutazione della sicurezza.
Il paper introduce Slow-Fast Inference, un metodo di inferenza senza addestramento che accelera la decodifica a lungo contesto sfruttando la stabilità dell'attenzione all'interno delle frasi per alternare passi veloci con memoria sparsa a passi lenti che aggiornano il contesto, ottenendo un throughput fino a 14,4 volte superiore mantenendo la qualità.