3834 articoli
Il paper propone un'agente pipeline basata su LLM che genera rubriche per standardizzare dati eterogenei, migliorando significativamente l'apprendimento supervisionato su compiti clinici rispetto a modelli tradizionali e foundation model, garantendo al contempo auditabilità, efficienza dei costi e interoperabilità con tecniche di machine learning tabellare.
Questo paper introduce metodi di apprendimento per rinforzo che preservano l'entropia, come REPO e ADAPO, per contrastare la riduzione naturale della diversità delle traiettorie negli algoritmi di gradiente della politica, garantendo così politiche finali più performanti e capaci di apprendimento sequenziale continuo.
Il paper propone un nuovo framework di mediazione causale per la sintesi vocale che, integrando un modello strutturale causale e obiettivi di addestramento controfattuale nell'architettura FastSpeech2, disaccoppia efficacemente l'espressività emotiva dal contenuto linguistico per ottenere una manipolazione del prosodia più controllabile e naturale.
Il paper introduce SemBench, un framework universale e multilingue che genera automaticamente benchmark sintetici per valutare la comprensione semantica dei modelli linguistici di grandi dimensioni utilizzando solo definizioni lessicali, offrendo un metodo scalabile, efficiente e indipendente dalla lingua rispetto ai tradizionali dataset curati.
Il paper propone un "Canale Logico Esplicito" parallelo ai modelli MLLM esistenti, che integra ragionamento logico e inferenza probabilistica per validare, selezionare e migliorare le prestazioni dei modelli multimodali su compiti zero-shot senza necessità di annotazioni di ground-truth, aumentando così la loro affidabilità e spiegabilità.
Il paper presenta STAIRS-Former, un'architettura transformer basata su gerarchie spaziali e temporali e su un meccanismo di ricorsione intercalata, che supera i metodi esistenti nell'apprendimento per rinforzo multi-agente offline multi-task garantendo una migliore coordinazione, una gestione robusta di popolazioni di agenti variabili e una superiore capacità di catturare dipendenze temporali a lungo termine.
Il paper introduce OSCBench, un nuovo benchmark basato su dati di cucina che valuta la capacità dei modelli di generazione video da testo di rappresentare correttamente i cambiamenti di stato degli oggetti, rivelando che le attuali tecnologie faticano a gestire tali trasformazioni, specialmente in scenari nuovi o compositi.
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.