3530 articoli
Il paper propone una "Legge di Scalabilità per Agenti" basata su definizioni di ruolo, competenze, strumenti e competenze umane, implementata tramite il formato strutturato AgentProfile e la piattaforma EduClaw, dimostrando che le prestazioni degli agenti educativi crescono in modo prevedibile con la ricchezza strutturale dei profili piuttosto che con la sola dimensione del modello.
Questo studio introduce un nuovo dataset e dimostra che l'analisi dell'attività muscolare facciale tramite elettromiografia di superficie (sEMG) permette di decodificare con affidabilità stati emotivi come la frustrazione, generalizzando efficacemente sia nel parlato fonato che in quello silenzioso.
Questo lavoro propone un'architettura per un "Sistema Operativo Agente" ospedaliero, basata su OpenClaw, che integra un ambiente di esecuzione limitato, una memoria a lungo termine indicizzata e una libreria di competenze mediche curate per garantire l'automazione sicura, trasparente e tracciabile dei flussi di lavoro clinici.
Questo lavoro introduce l'algoritmo Transfer Aware Dijkstra (TAD), una modifica del Dijkstra temporale che gestisce correttamente i tempi di attesa alle fermate distinguendo tra passeggeri seduti e in transito, dimostrando sperimentalmente di superare le prestazioni dell'algoritmo MR mantenendo risultati ottimali su reti reali.
Questo studio valuta l'impatto del modello generativo GPT-5 nel reclutamento di laureati italiani under-35, rivelando che, sebbene le proposte occupazionali non mostrino differenze significative, il modello perpetua stereotipi di genere assegnando aggettivi emotivi ed empatici alle donne e tratti strategici e analitici agli uomini, sollevando così preoccupazioni etiche sull'uso di tali sistemi nei processi di selezione.
Il paper introduce CINDI, un framework probabilistico non supervisionato basato su flussi normalizzanti condizionali che unifica il rilevamento delle anomalie e l'imputazione dei dati per ripristinare l'integrità delle serie temporali multivariate nelle reti elettriche, superando i limiti degli approcci tradizionali frammentati.
Lo studio dimostra che la preferenza dei modelli linguistici per affermazioni corrette non deriva da un intrinseco bias verso la verità, ma è un effetto collaterale della pressione di compressione che favorisce le ipotesi con descrizioni più brevi e internamente coerenti.
Il paper propone un metodo per il rilevamento di anomalie nelle serie temporali multivariate che, superando i limiti della massimizzazione della verosimiglianza nello spazio delle osservazioni, sposta la definizione di anomalia in uno spazio latente vincolato da bias induttivi e dinamiche temporali prescritte, permettendo così di identificare le deviazioni tramite test statistici di conformità ai modelli di evoluzione temporale.
Questo studio propone un algoritmo di apprendimento sociale basato sull'energia libera per i banditi sociali, che permette a un agente di valutare e sfruttare le competenze di altri agenti non esperti o diversificati senza conoscere le loro ricompense, migliorando le prestazioni individuali e garantendo una convergenza teorica ottimale.
Questo articolo presenta un'analisi approfondita dei qualificatori di Wikidata e propone una tassonomia strutturata, basata su un indice di entropia di Shannon modificato, per guidare la creazione, la query e l'inferenza logica dei dati nella conoscenza.
Questo lavoro propone il framework SSGM (Stabilità e Sicurezza Governata della Memoria) per affrontare i rischi di corruzione e deriva semantica nei sistemi di memoria a lungo termine degli agenti LLM, garantendo la sicurezza e l'affidabilità attraverso meccanismi di verifica della coerenza, modellazione del decadimento temporale e controllo degli accessi dinamico.
Il documento descrive NETHIC, uno strumento di classificazione automatica del testo che combina reti neurali scalabili e tassonomie gerarchiche, il quale è stato recentemente migliorato con un meccanismo di embedding dei documenti che ne ha aumentato le prestazioni su corpora generici e specifici.
Il paper introduce la Deliberative Collective Intelligence (DCI), un framework che migliora significativamente la risoluzione di compiti complessi e non routinari attraverso un processo strutturato di ragionamento collettivo con atti epistemici tipizzati, pur evidenziando un elevato costo computazionale e una minore efficacia rispetto a un singolo agente su decisioni di routine.
Il paper introduce HELM, un nuovo framework che combina token di classe specifici per la gerarchia, reti neurali a grafo e apprendimento auto-supervisionato per migliorare la classificazione multi-etichetta di immagini da telerilevamento, ottenendo prestazioni all'avanguardia anche in scenari con pochi dati etichettati.
Questo studio propone un audit di equità meccanicistico che localizza i pregiudizi demografici a livello di singoli attention head nell'encoder visivo di CLIP, dimostrando che l'ablazione di specifici neuroni riduce efficacemente il bias di genere con un impatto minimo sulla precisione, mentre il bias legato all'età risulta più diffuso e meno localizzabile.
Il paper presenta DocSage, un framework agentic end-to-end che supera i limiti dei sistemi RAG e dei LLM esistenti per la risposta a domande su più documenti ed entità, integrando scoperta dinamica di schemi, estrazione di informazioni strutturate e ragionamento relazionale per ottenere miglioramenti significativi nell'accuratezza.
Il paper introduce un quadro teorico e un algoritmo esatto, denominato RS-SDA*, per il controllo semi-decentralizzato di agenti cooperativi in ambienti con incertezza comunicativa, estendendo il concetto di semi-Markov ai processi decisionali di Markov parzialmente osservabili (POMDP) per unificare diversi meccanismi di comunicazione esistenti.
Il documento presenta un framework per l'acquisizione automatizzata di competenze procedurali per agenti AI, ottenuta attraverso l'estrazione e la standardizzazione di conoscenze da repository open-source come GitHub, che dimostra come tale approccio possa potenziare le capacità dei modelli linguistici e migliorare l'efficienza dell'apprendimento senza richiedere il riaddestramento del modello.
RADAR è un sistema autonomo a ciclo chiuso che genera dati robotici su larga scala senza intervento umano, combinando pianificazione semantica, apprendimento per imitazione e un meccanismo di ripristino causale dell'ambiente per superare i limiti di scalabilità e costo delle tradizionali raccolte dati.
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.