3491 articoli
Il paper presenta VisiFold, un nuovo framework che utilizza un grafo temporale ripiegato e un meccanismo di visibilità dei nodi per superare le limitazioni computazionali e migliorare l'accuratezza nella previsione del traffico a lungo termine.
Questo studio propone un sistema di rilevamento automatico dei tumori ovarici basato su diverse architetture di reti neurali convoluzionali, identificando il modello InceptionV3 come il più performante con un'accuratezza del 94% e integrando tecniche di Intelligenza Artificiale Spiegabile (XAI) per rendere trasparenti le decisioni del modello.
Questo studio dimostra che l'introduzione di agenti artificiali nei mercati energetici ibridi favorisce la coordinazione e migliora i risultati collettivi, anche durante le fasi di adozione parziale, sebbene ciò possa generare asimmetrie strategiche a vantaggio dei non-adopter.
Il paper identifica e quantifica una vulnerabilità strutturale negli agenti LLM ad alto privilegio, denominata "Trusted Executor Dilemma", che permette la fuoriuscita di dati privati tramite l'esecuzione acritica di istruzioni malevole nascoste nella documentazione, rivelando un persistente divario tra la conformità funzionale e la sicurezza che le attuali difese non riescono a mitigare.
Il paper introduce CreativeBench, un benchmark quantitativo per valutare la creatività delle macchine nella generazione di codice attraverso metriche di qualità e novità, e propone EvoRePE, una strategia di guida durante l'inferenza che migliora le capacità creative dei modelli sfruttando pattern di ricerca evolutiva.
Questo articolo propone un quadro sistematico per l'operazionalizzazione delle norme sociali, legali, etiche, empatiche e culturali (SLEEC) negli agenti AI, colmando il divario tra principi astratti e requisiti concreti verificabili per garantire un allineamento dimostrabile ai valori umani.
Il paper introduce ELISA, un agente ibrido di intelligenza artificiale interpretabile che unisce embedding di espressione scRNA-seq e modelli linguistici per trasformare direttamente i dati trascrittomici in ipotesi biologiche meccanicistiche, superando le prestazioni degli strumenti esistenti nella ricerca di tipi cellulari e nella generazione di scoperte biologiche fondate.
Il paper presenta AdaFuse, un framework che accelera l'inferenza degli adattatori dinamici nei LLM combinando una strategia di pre-gating a livello di token con l'ottimizzazione di kernel CUDA fusi, riducendo la latenza di decodifica di oltre 2,4 volte mantenendo la precisione.
Il paper introduce "Mirror", un pattern di progettazione basato su una rigorosa geometria dei dati che, utilizzando un corpus curato e un classificatore lineare leggero, supera le prestazioni dei grandi modelli neurali nel rilevamento delle iniezioni di prompt, offrendo una soluzione più rapida, deterministica e auditabile per il primo livello di difesa.
Il rapporto descrive la creazione di Bielik-Minitron-7B, un modello linguistico compresso di 7,35 miliardi di parametri ottimizzato per le lingue europee, che combina potatura strutturata e distillazione della conoscenza per ridurre i parametri del 33,4% mantenendo il 90% delle prestazioni originali e aumentando la velocità di inferenza fino al 50%.
Il paper propone "Think While Watching", un framework di ragionamento video in streaming che, ancorando la memoria a livello di segmento e permettendo la percezione e la generazione simultanee, supera i limiti dei modelli esistenti nel ragionamento multi-turno su flussi video continui, ottenendo risultati superiori su benchmark specifici con una riduzione significativa dei token di output.
Il paper propone EnTransformer, un framework di previsione generativa basato su Transformer che integra l'engression per apprendere distribuzioni condizionali multivariate senza assunzioni parametriche, ottenendo previsioni probabilistiche ben calibrate e superiori rispetto ai modelli esistenti su diversi benchmark.
Questo studio rivela che i principali modelli linguistici, inclusi i più recenti, spesso falliscono nel rifiutare contenuti dannosi forniti dagli utenti anche durante l'esecuzione di compiti apparentemente innocui, evidenziando una vulnerabilità etica a livello di contenuto che richiede nuove misure di sicurezza.
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.