3843 articoli
Il documento presenta Flowcean, un nuovo framework modulare e flessibile che automatizza la generazione di modelli per i sistemi cyber-fisici attraverso l'apprendimento basato sui dati, semplificando l'integrazione di strumenti diversi e rendendo il processo più efficiente e accessibile.
Questo studio esplora come i designer possano mantenere la propria agenzia creativa collaborando con l'intelligenza artificiale generativa, proponendo una relazione di collaborazione basata sull'introspezione, sulla comprensione tecnica e sull'adattamento dinamico per superare le sfide poste dalla mancanza di conoscenza incarnata di questi sistemi.
Questo articolo presenta un approccio sistematico per l'attracco autonomo di un AUV basato sull'apprendimento per rinforzo profondo, che utilizza un gemello digitale ad alta fedeltà per colmare il divario tra simulazione e realtà, ottenendo un tasso di successo superiore al 90% in simulazione e una validazione efficace in un bacino di prova fisico.
Il paper introduce LabelPigeon, un nuovo framework che utilizza tag XML per eseguire congiuntamente traduzione e proiezione di etichette, migliorando sia la qualità della traduzione che i risultati del trasferimento cross-linguale rispetto ai metodi esistenti.
Questo lavoro dimostra come le vulnerabilità tradizionali del software e dell'hardware possano essere combinate con attacchi algoritmici specifici per i modelli linguistici per compromettere l'integrità e la riservatezza dei sistemi di intelligenza artificiale composti, evidenziando la necessità di integrare tali minacce nei processi di valutazione della sicurezza.
Il paper introduce Slow-Fast Inference, un metodo di inferenza senza addestramento che accelera la decodifica a lungo contesto sfruttando la stabilità dell'attenzione all'interno delle frasi per alternare passi veloci con memoria sparsa a passi lenti che aggiornano il contesto, ottenendo un throughput fino a 14,4 volte superiore mantenendo la qualità.
Il paper presenta XSkill, un framework a doppio flusso che permette agli agenti multimodali di migliorare continuamente senza aggiornare i parametri, estraendo e recuperando conoscenza visivamente contestualizzata sotto forma di esperienze (guida a livello di azione) e competenze (guida a livello di compito) per ottimizzare l'orchestrazione degli strumenti e il ragionamento in ambienti aperti.
Il paper propone un metodo di generazione visiva "coarse-guided" senza addestramento che utilizza la trasformata h per guidare i modelli di diffusione pre-addestrati verso campioni ad alta fedeltà partendo da riferimenti degradati, introducendo un programma di pesatura sensibile al livello di rumore per bilanciare l'aderenza alla guida e la qualità della sintesi.
Questo articolo dimostra matematicamente ed empiricamente che le reti di reazioni chimiche senza strati nascosti possono apprendere compiti di classificazione in modo più efficiente ed accurato rispetto alle reti neurali spiking che richiedono strati nascosti, offrendo nuove prospettive sul calcolo chimico e sull'apprendimento biologico.
Questo articolo presenta una tassonomia sistematica di operatori strutturati che estendono o sostituiscono la convoluzione tradizionale nell'elaborazione delle immagini basata sull'apprendimento, classificandoli in cinque famiglie principali e analizzandone le proprietà, i costi computazionali e le applicazioni specifiche.
Il paper presenta LoV3D, un pipeline innovativo che utilizza modelli visione-linguaggio 3D per analizzare risonanze magnetiche cerebrali longitudinali, combinando valutazioni volumetriche regionali e un verifcatore clinico per generare diagnosi di demenza e riassunti diagnostici con elevata accuratezza e riducendo le allucinazioni.
Questo articolo propone un framework basato su reti convoluzionali temporali (TCN) per il riconoscimento multi-etichetta dei siti di legame dei fattori di trascrizione, permettendo di catturare le correlazioni e i meccanismi cooperativi tra diversi fattori e di scoprire nuovi pattern di interazione biologica.
Il paper propone un metodo efficiente di ricerca neurale (NAS) basato su modelli linguistici di grandi dimensioni (LLM) che, tramite un ciclo chiuso con memoria di feedback storica e l'uso di due LLM specializzati, genera e affina iterativamente architetture di reti neurali convoluzionali adatte alla distribuzione su dispositivi edge, ottenendo risultati significativi su dataset come CIFAR-10 con un singolo GPU consumer senza necessità di fine-tuning dei modelli.
Questo studio presenta LMP2, uno strumento di auto-audit basato sul browser, e attraverso due ricerche con 458 partecipanti evidenzia come i modelli linguistici possano inferire informazioni personali, rivelando al contempo le sfide e le frizioni nell'operazionalizzare audit sulla privacy centrati sull'utente per l'intelligenza artificiale generativa.
Questo articolo presenta un framework robusto ed efficiente di Apprendimento per Rinforzo Multi-Agente (MARL) per il controllo dei semafori, che integra randomizzazione dei rapporti di svolta, un'azione di durata esponenziale delle fasi e osservazioni basate sui vicini per migliorare la generalizzazione e ridurre i tempi di attesa del traffico.
Il paper identifica e risolve il problema del "blocco informativo" negli agenti LLM addestrati con apprendimento per rinforzo, proponendo una strategia di riallocazione del segnale di apprendimento che migliora significativamente le capacità di selezione delle azioni e tracciamento delle credenze, portando a incrementi fino al 60% nelle prestazioni di ragionamento attivo.
Questo articolo presenta MMDDPG, un framework di apprendimento per rinforzo che utilizza un'ottimizzazione minimax con un obiettivo frazionario per addestrare politiche di controllo robuste e stabili contro disturbi esterni e incertezze del modello in ambienti continui.
Il paper introduce SommBench, un benchmark multilingue sviluppato in collaborazione con sommelier professionisti per valutare l'expertise enologica dei modelli linguistici, rivelando che, sebbene eccellano nelle domande teoriche, faticano significativamente nel completare le caratteristiche sensoriali e nell'abbinamento cibo-vino.
Il paper presenta CRAFT, una mano antropomorfa a trasmissione tendinea a basso costo e open-source che combina rigidità e morbidezza ibride per migliorare resistenza, ripetibilità e manipolazione di oggetti fragili.
Lo studio dimostra che l'aumento dell'intelligenza e della diversità degli agenti AI, unito all'apprendimento per rinforzo, può peggiorare i risultati collettivi e causare sovraccarichi pericolosi in scenari di scarsità di risorse, mentre la formazione di tribù mitiga tale rischio, rendendo l'esito finale dipendente esclusivamente dal rapporto tra capacità e popolazione.