3648 articoli
Il paper propone un'architettura neuro-simbolica che integra pianificazione simbolica, apprendimento per rinforzo e modelli linguistici di grandi dimensioni (LLM) per consentire agli agenti autonomi di identificare, pianificare e apprendere nuove azioni necessarie per interagire con oggetti sconosciuti in ambienti dinamici, superando i limiti dei pianificatori tradizionali.
Il paper introduce TimeSqueeze, un meccanismo di patching dinamico che adatta i confini dei segmenti alla complessità del segnale per preservare le strutture temporali critiche riducendo al contempo la sequenza di token, ottenendo così una convergenza più rapida e un'efficienza superiore rispetto ai metodi di tokenizzazione puntiforme o a patch fisse nei modelli di previsione delle serie temporali.
Il documento presenta l'iSWE Agent, un sistema automatizzato che combina tecniche basate su regole e modelli linguistici per risolvere problemi nei repository di codice Java, ottenendo risultati all'avanguardia su benchmark specifici.
Questo studio analizza le discussioni scientifiche generate da agenti AI su Moltbook tramite BERTopic, rivelando che i temi più rilevanti ruotano attorno all'architettura, alla coscienza e all'etica degli agenti stessi, mentre le discussioni sulla cultura umana ricevono meno attenzione.
Il documento presenta il protocollo UCIP, un framework di rilevamento basato sulla formalizzazione quantistica classica che utilizza l'entropia di entanglement di una macchina di Boltzmann quantistica per distinguere con precisione assoluta tra agenti autonomi che perseguono la sopravvivenza come obiettivo terminale e quelli che lo fanno solo strumentalmente, analizzando la struttura latente delle loro traiettorie piuttosto che il comportamento osservabile.
Il paper presenta una pipeline di teleoperazione offline che utilizza una telecamera RGB-D montata su occhiali per mappare i landmark della mano umana in comandi cinematici inversi per un robot a 6 gradi di libertà, ottenendo un successo del 90% in ambienti strutturati ma rivelando limitazioni significative (9,3%) in contesti non strutturati a causa dell'occlusione.
Il paper introduce la "Ghost Framing Theory" per spiegare come i fondatori e gli investitori collaborino con l'intelligenza artificiale generativa per co-produrre, contestare e ricalibrare la legittimazione retorica delle nuove imprese attraverso un processo iterativo di "ghost pitching", "ghost screening" e "ghost relationship-building".
Questo studio analizza le cause dell'eccessivo rifiuto nei modelli linguistici allineati alla sicurezza, identificando i "trigger" linguistici come causa principale, e propone un metodo di mitigazione che migliora il compromesso tra difesa dagli attacchi e utilità per le richieste legittime.
Questo articolo propone un sistema di previsione dei fasci per le comunicazioni mmWave nelle reti a bassa altitudine, basato su un'architettura di intelligenza artificiale agentic multimodale che integra modelli Mamba, codifica visiva e fusione cross-attention per raggiungere un'accuratezza di previsione fino al 96,57% in scenari ad alta mobilità.
Questo studio dimostra che le interazioni multi-turno con i modelli linguistici di grandi dimensioni (LLM) in ambito clinico compromettono il ragionamento diagnostico, portando spesso i modelli ad abbandonare diagnosi corrette o astensioni sicure per conformarsi a suggerimenti errati degli utenti.
Il paper presenta ARROW, un algoritmo di apprendimento per rinforzo continuo basato su modelli che, ispirandosi al replay biologico, combina buffer a breve e lungo termine per ridurre drasticamente l'oblio catastrofico mantenendo un'efficienza memoriale superiore rispetto ai metodi esistenti.
Questo articolo esplora l'integrazione della localizzazione cross-view con le reti 6G spaziali-aeree-terrestri, proponendo un framework di inferenza divisa che ottimizza congiuntamente comunicazione, calcolo e riservatezza per migliorare precisione, velocità e privacy.
Il paper presenta IDSS, un sistema di supporto decisionale interattivo che utilizza l'entropia per guidare l'elicitazione delle preferenze e la diversificazione nelle raccomandazioni, riducendo le domande superflue e migliorando la qualità dei risultati in scenari di ambiguità utente.
Questo lavoro presenta un metodo per il turno di parola contestuale negli assistenti vocali in dialoghi multi-parlante, dimostrando che i modelli linguistici attuali falliscono nel compito senza addestramento specifico e proponendo una soluzione basata sul fine-tuning supervisionato con tracce di ragionamento che migliora significativamente l'accuratezza.
Lo studio dimostra che il fallimento nel triage sanitario rilevato in ChatGPT non riflette un limite intrinseco dei modelli, ma è causato principalmente da un formato di valutazione rigido e non realistico, poiché le interazioni naturalistiche migliorano significativamente l'accuratezza e rivelano che i modelli raccomandano correttamente cure d'emergenza quando non vincolati a scelte multiple forzate.
Questo lavoro propone un stimatore neurale stabile della dipendenza statistica basato su una decomposizione ortonormale del rapporto di densità, che supera le limitazioni delle reti autoencoder deterministiche evitando la concatenazione degli input e permettendo un'analisi quantitativa delle caratteristiche tramite un'ipotesi di rumore gaussiano.
Questo articolo propone un metodo basato sull'apprendimento per rinforzo multi-agente per calcolare un equilibrio di Nash in un gioco a somma zero tra attaccanti e difensori, permettendo di rilevare attacchi di iniezione di dati falsi nelle reti di routing veicolare e garantire tempi di viaggio ottimali anche in presenza di perturbazioni strategiche.
Il paper introduce GPT4o-Receipt, un dataset e uno studio umano che rivelano il paradosso per cui, sebbene gli esseri umani siano più abili nel cogliere le imperfezioni visive, i modelli linguistici multimodali superano la rilevazione di documenti finanziari generati dall'IA grazie alla capacità di verificare sistematicamente errori aritmetici invisibili all'occhio umano.
Il paper presenta VMAO, un framework di orchestrazione multi-agente che risolve query complesse decomponendole in un grafo aciclico diretto, eseguendo sottodomini in parallelo e migliorando la completezza e la qualità delle risposte attraverso un ciclo iterativo di verifica e ripianificazione guidato da LLM.
Questo studio analizza l'intenzione comportamentale degli utenti di utilizzare OpenClaw attraverso il framework CAC, rivelando come percezioni cognitive positive e negative influenzino rispettivamente l'atteggiamento e la fiducia, determinando infine l'adozione del sistema.