3834 articoli
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.
Questo studio propone un sistema di rilevamento automatico dei tumori ovarici basato su diverse architetture di reti neurali convoluzionali, identificando il modello InceptionV3 come il più performante con un'accuratezza del 94% e integrando tecniche di Intelligenza Artificiale Spiegabile (XAI) per rendere trasparenti le decisioni del modello.
Questo studio dimostra che l'introduzione di agenti artificiali nei mercati energetici ibridi favorisce la coordinazione e migliora i risultati collettivi, anche durante le fasi di adozione parziale, sebbene ciò possa generare asimmetrie strategiche a vantaggio dei non-adopter.
Il paper identifica e quantifica una vulnerabilità strutturale negli agenti LLM ad alto privilegio, denominata "Trusted Executor Dilemma", che permette la fuoriuscita di dati privati tramite l'esecuzione acritica di istruzioni malevole nascoste nella documentazione, rivelando un persistente divario tra la conformità funzionale e la sicurezza che le attuali difese non riescono a mitigare.
Il paper introduce CreativeBench, un benchmark quantitativo per valutare la creatività delle macchine nella generazione di codice attraverso metriche di qualità e novità, e propone EvoRePE, una strategia di guida durante l'inferenza che migliora le capacità creative dei modelli sfruttando pattern di ricerca evolutiva.
Questo articolo propone un quadro sistematico per l'operazionalizzazione delle norme sociali, legali, etiche, empatiche e culturali (SLEEC) negli agenti AI, colmando il divario tra principi astratti e requisiti concreti verificabili per garantire un allineamento dimostrabile ai valori umani.
Il paper introduce ELISA, un agente ibrido di intelligenza artificiale interpretabile che unisce embedding di espressione scRNA-seq e modelli linguistici per trasformare direttamente i dati trascrittomici in ipotesi biologiche meccanicistiche, superando le prestazioni degli strumenti esistenti nella ricerca di tipi cellulari e nella generazione di scoperte biologiche fondate.
Il paper presenta AdaFuse, un framework che accelera l'inferenza degli adattatori dinamici nei LLM combinando una strategia di pre-gating a livello di token con l'ottimizzazione di kernel CUDA fusi, riducendo la latenza di decodifica di oltre 2,4 volte mantenendo la precisione.
Il paper introduce "Mirror", un pattern di progettazione basato su una rigorosa geometria dei dati che, utilizzando un corpus curato e un classificatore lineare leggero, supera le prestazioni dei grandi modelli neurali nel rilevamento delle iniezioni di prompt, offrendo una soluzione più rapida, deterministica e auditabile per il primo livello di difesa.
Il rapporto descrive la creazione di Bielik-Minitron-7B, un modello linguistico compresso di 7,35 miliardi di parametri ottimizzato per le lingue europee, che combina potatura strutturata e distillazione della conoscenza per ridurre i parametri del 33,4% mantenendo il 90% delle prestazioni originali e aumentando la velocità di inferenza fino al 50%.
Il paper propone "Think While Watching", un framework di ragionamento video in streaming che, ancorando la memoria a livello di segmento e permettendo la percezione e la generazione simultanee, supera i limiti dei modelli esistenti nel ragionamento multi-turno su flussi video continui, ottenendo risultati superiori su benchmark specifici con una riduzione significativa dei token di output.
Il paper propone EnTransformer, un framework di previsione generativa basato su Transformer che integra l'engression per apprendere distribuzioni condizionali multivariate senza assunzioni parametriche, ottenendo previsioni probabilistiche ben calibrate e superiori rispetto ai modelli esistenti su diversi benchmark.
Questo studio rivela che i principali modelli linguistici, inclusi i più recenti, spesso falliscono nel rifiutare contenuti dannosi forniti dagli utenti anche durante l'esecuzione di compiti apparentemente innocui, evidenziando una vulnerabilità etica a livello di contenuto che richiede nuove misure di sicurezza.
Il paper introduce MobileKernelBench, un framework di valutazione che rivela le attuali limitazioni degli LLM nella generazione di kernel efficienti per dispositivi mobili, e propone MoKA, un agente multi-LLM che supera tali ostacoli raggiungendo un tasso di compilazione del 93,7% e significativi miglioramenti delle prestazioni.