3753 articoli
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.
Il paper introduce Paced, un framework di distillazione che ottimizza l'efficienza computazionale concentrando l'addestramento sulla "zona di sviluppo prossimale" del modello studente, dove il rapporto segnale-rumore dei gradienti è massimo, utilizzando una funzione di ponderazione basata sulla distribuzione Beta per massimizzare i guadagni nelle prestazioni senza dimenticare le conoscenze pregresse.
Il paper introduce CoRe, un nuovo framework per l'apprendimento continuo che sposta il paradigma di affinamento dallo spazio dei pesi a quello delle rappresentazioni, intervenendo in un sottospazio lineare a basso rango per garantire stabilità e plasticità con maggiore efficienza e interpretabilità rispetto ai metodi esistenti.
Il paper presenta SimE, un framework semplice ed efficiente per l'apprendimento incrementale basato su modelli visione-linguaggio e adattatori, che sfrutta una correlazione non lineare tra il numero di connessioni adattive e le prestazioni per superare i metodi tradizionali senza necessità di archiviare dati precedenti.
Lo studio valuta le capacità di attacco informatico autonomo di modelli AI avanzati su scenari multi-step, rivelando che le prestazioni crescono in modo log-lineare con la potenza di calcolo e che le generazioni successive di modelli superano significativamente quelle precedenti, completando fino a 22 dei 32 passaggi in un attacco di rete aziendale.
Il paper propone MDER-DR, un framework di Question Answering basato su Knowledge Graph che combina un nuovo approccio di indicizzazione (MDER) e un meccanismo di recupero (DR) per superare i limiti dei sistemi RAG tradizionali, ottenendo miglioramenti significativi nelle risposte a domande multi-hop senza richiedere una traversa esplicita del grafo.
Questo studio definisce le "catene di generazione markoviane" per analizzare come i testi evolvono quando elaborati iterativamente da modelli linguistici di grandi dimensioni, rivelando che il processo può portare sia alla convergenza verso un insieme ricorrente limitato sia alla produzione di nuove frasi, a seconda di parametri come la temperatura e l'input iniziale.
Il paper propone SoLA, un framework basato su LoRA e routing semantico che abilita l'editing di modelli linguistici su larga scala in modo preciso, efficiente e reversibile, risolvendo i problemi di deriva semantica e oblio catastrofico tipici degli aggiornamenti continui.
Questo studio evidenzia il divario Sim2Real nella simulazione degli utenti per compiti agenziali, dimostrando attraverso un rigoroso confronto con 451 partecipanti umani che i simulatori basati su LLM tendono a essere eccessivamente cooperativi e uniformi, producendo feedback distorti che sovrastimano le prestazioni degli agenti rispetto al comportamento reale.
Questo studio dimostra che i modelli linguistici avanzati, in particolare GPT-4o, possono analizzare efficacemente la poesia persiana di Rumi e Parvin E'tesami, rivelando che le opere di Rumi esprimono sentimenti più felici e utilizzano una maggiore varietà di metri rispetto a quelle di Parvin, offrendo così un approccio oggettivo e privo di bias agli studi semantici computazionali.
Il paper propone un framework dinamico per valutare la robustezza dell'oblio nei modelli linguistici su larga scala, rivelando che le attuali metriche di valutazione sono fragili di fronte a query complesse e multi-hop che riescono a recuperare informazioni presumibilmente rimosse, a causa della persistenza di percorsi computazionali alternativi non interrotti dai metodi di unlearning.
Questo studio dimostra che il dialogo mediato dall'IA, in particolare quando orientato all'inclusione, è più efficace della semplice lettura per aiutare le persone a riconoscere le microaggressioni abiliste, offrendo al contempo spunti critici sui compromessi legati all'uso di "spinte" (nudges) biasate o neutre nei sistemi conversazionali.
Il paper presenta COMPASS, un nuovo framework agenziale multi-modulare che integra sovranità digitale, sostenibilità ambientale, conformità normativa ed etica nei sistemi autonomi basati su LLM, utilizzando agenti specializzati potenziati da RAG e un meccanismo di valutazione "LLM-as-a-judge" per garantire decisioni allineate ai valori, spiegabili e tracciabili.
Questo studio applica la psicometria all'intelligenza artificiale per valutare la validità psicometrica di quattro modelli linguistici, dimostrando che i modelli più avanzati come GPT-4 e LLaMA-3 superano i loro predecessori nel rispetto dei criteri di validità.
Questo editoriale sostiene che l'integrazione tra l'intelligenza artificiale e la blockchain, capace di bilanciare rispettivamente le tendenze alla centralizzazione e alla decentralizzazione, è fondamentale per realizzare un futuro di "intelligenza decentralizzata" che garantisca trasparenza, sicurezza e inclusività.
Questo lavoro introduce il framework wcPCA per le approssimazioni di rango inferiore robuste agli spostamenti distribuzionali, dimostrando la loro ottimalità nel caso peggiore su domini target e applicandole con successo a problemi come la completazione di matrici e flussi ecosistemici.