3709 articoli
Il paper propone un metodo di quantificazione dell'incertezza epistemica strutturale per gli operatori neurali nelle PDE, che limita il campionamento Monte Carlo al modulo di sollevamento per generare bande di incertezza più affidabili, strette e allineate alle strutture locali dei residui, mantenendo al contempo un'elevata efficienza computazionale.
Questo articolo offre una revisione completa e una categorizzazione sistematica dei modelli quantitativi di fiducia nelle reti sociali online, esplorando le basi teoriche psicologiche, analizzando le fondamenta algoritmiche degli stati dell'arte e fornendo una guida pratica all'implementazione che include dataset, tecniche e scenari applicativi.
Questo lavoro introduce un framework ibrido quantistico-classico riproducibile che, integrando una mappatura di feature ispirata alla meccanica quantistica con descrittori strutturali classici in una Deep Quantum Neural Network, migliora significativamente l'accuratezza e la generalizzazione nella previsione dei valori pKa a livello di residuo rispetto ai modelli puramente classici.
Questo articolo esplora le proprietà strutturali dell'iterazione di Collatz attraverso la collaborazione tra umani e modelli linguistici, dimostrando risultati teorici su fenomeni di "scrambling" modulare e decomposizione burst-gap che suggeriscono un quadro condizionale per la convergenza, pur lasciando aperte le ipotesi fondamentali.
Il paper presenta ARACH, un plug-in di inferenza senza addestramento che migliora le prestazioni dei grandi modelli linguistici aggregando il contesto e riallocando l'attenzione interna per mitigare il fenomeno dell'attention sink, offrendo un approccio alternativo sia ai metodi basati sui prompt che a quelli che richiedono aggiornamenti dei pesi.
Questo lavoro presenta un agente LLM basato sul framework ReAct che, integrando un modello surrogato XGBoost addestrato su dati sperimentali, risolve in modo autonomo e iterativo il problema inverso di progettazione delle leghe ad alta entropia, superando le tecniche di ottimizzazione tradizionali e guidando la scoperta di composizioni chimiche innovative e diversificate.
Il paper presenta OA-NBV, un sistema di pianificazione della prossima vista migliore che, integrando percezione e pianificazione del movimento, permette ai robot mobili di selezionare autonomamente punti di vista ottimali per osservare persone parzialmente occluse, superando significativamente le prestazioni dei metodi esistenti in termini di successo e qualità dell'osservazione.
Il paper presenta VeriHGN, un framework di verifica basato su grafi eterogenei che unifica la rappresentazione logica e fisica dei circuiti VLSI per migliorare l'accuratezza della previsione della congestione nelle fasi preliminari del flusso di progettazione.
Il paper presenta DIVE, un metodo che inverte l'ordine di sintesi dei compiti agenziali eseguendo prima strumenti reali per garantire diversità strutturale, ottenendo così un miglioramento significativo nella generalizzazione fuori distribuzione rispetto ai metodi basati sulla semplice quantità di dati.
Il documento introduce CR-Bench e CR-Evaluator, un dataset e una pipeline di valutazione dettagliata per analizzare l'utilità reale degli agenti di revisione del codice basati su LLM, evidenziando il compromesso critico tra la risoluzione delle problematiche e la generazione di falsi positivi.
Questo articolo presenta Questions-of-Thoughts (QoT), un nuovo metodo di ragionamento agente guidato dalla qualità che trasforma gli obiettivi utente in sequenze di passi ingegneristici e auto-verifiche per migliorare la progettazione software assistita da LLM, dimostrando guadagni significativi in termini di scalabilità, completezza, modularità e sicurezza, specialmente nei modelli più grandi e nei domini complessi.
Questo articolo presenta il primo sondaggio sistematico sulla sicurezza degli agenti AI, offrendo un quadro completo del panorama delle minacce, delle strategie di difesa e delle sfide aperte per questi sistemi emergenti.
Questo articolo propone un quadro sistematico per integrare modelli cognitivi avanzati nei sistemi di guida autonoma, identificando le sfide chiave nel passaggio da un approccio basato sulla percezione a uno fondato sul ragionamento e delineando la necessità di architetture neuro-simboliche per colmare il divario tra la deliberazione dei grandi modelli linguistici e i requisiti di sicurezza in tempo reale.
Questo lavoro introduce un framework di tokenizzazione per grafi che combina serializzazione reversibile e Byte Pair Encoding per convertire i dati strutturati in grafi in rappresentazioni sequenziali, permettendo ai Transformer di ottenere risultati all'avanguardia su 14 benchmark senza modifiche architetturali.
Questo lavoro presenta la prima piattaforma di addestramento distribuito su cloud basata su mille GPU per l'intelligenza incarnata, che ottimizza l'intera pipeline dai dati all'infrastruttura per ridurre i tempi di addestramento del modello GR00T-N1.5 di 40 volte e creare un sistema di valutazione end-to-end che accelera lo sviluppo di robot autonomi.
Il paper introduce ResWM, un modello del mondo basato su azioni residue che, riformulando il controllo come aggiustamenti incrementali e utilizzando un codificatore delle differenze di osservazione, migliora significativamente l'efficienza dei campioni, la stabilità e la fluidità del controllo rispetto ai metodi tradizionali nell'apprendimento per rinforzo visivo.
Questo lavoro introduce le "routing signatures" per dimostrare che i meccanismi di routing nelle architetture Sparse Mixture-of-Experts non sono semplici bilanciamenti, ma catturano una struttura sensibile al compito, permettendo una classificazione accurata dei task basata esclusivamente sui pattern di attivazione degli esperti.
Il paper presenta WebWeaver, un framework di attacco che infere in modo stealthy la topologia completa dei sistemi multi-agente basati su LLM compromettendo un singolo agente arbitrario e sfruttando contesti e meccanismi di diffusione, superando così i limiti delle metodologie precedenti che dipendono da assunzioni irrealistiche.
Questo lavoro introduce GCIG, un framework di regolarizzazione che promuove l'equità procedurale nei modelli di machine learning garantendo la stabilità delle spiegazioni tra diversi gruppi protetti, riducendo così le disparità nelle attribuzioni senza compromettere le prestazioni predittive.
Il paper utilizza tecniche di interpretabilità meccanica per dimostrare che i modelli VideoViT sviluppano un circuito causale ridondante e sofisticato, in cui le attention heads raccolgono evidenze e i blocchi MLP compongono concetti, rivelando una "conoscenza nascosta" sulle conseguenze delle azioni umane che va oltre il semplice compito di classificazione.