63 articoli
Il paper presenta GIT-BO, un nuovo framework di ottimizzazione bayesiana che combina il modello fondazionale tabulare TabPFN v2 con un meccanismo di sottospazio attivo per superare le limitazioni delle dimensioni elevate, offrendo prestazioni superiori e tempi di esecuzione ridotti rispetto ai metodi basati su processi gaussiani su una vasta gamma di problemi sintetici e reali.
Il paper introduce EDINET-Bench, un benchmark open-source giapponese basato su dieci anni di relazioni annuali per valutare le capacità di ragionamento esperto dei modelli linguistici su compiti finanziari complessi come il rilevamento delle frodi, dimostrando che gli attuali LLM faticano a superare le prestazioni di modelli statistici semplici e sottolineando la necessità di framework di valutazione più strutturati che simulino l'ambiente professionale reale.
Il paper presenta AttnBoost, un framework di apprendimento interpretabile che integra un meccanismo di attenzione a livello di funzionalità nel processo di boosting per migliorare l'accuratezza predittiva e la spiegabilità nella previsione della domanda della catena di approvvigionamento retail.
Il paper presenta FMint-SDE, un modello fondazionale multimodale basato su transformer che accelera la simulazione di equazioni differenziali stocastiche correggendo gli errori dei solutori classici tramite apprendimento in contesto, ottenendo un compromesso superiore tra accuratezza ed efficienza su diversi domini scientifici.
Il lavoro propone un modello di pagamento CBDC offline basato su dispositivi IoT che integra elementi sicuri, prove a conoscenza zero e sincronizzazione intermittente per garantire transazioni private, sicure e conformi alle normative AML/CFT anche in ambienti privi di connettività.
Il paper propone FedEMA-Distill, un metodo di apprendimento federato robusto ed efficiente che combina una media mobile esponenziale con la distillazione della conoscenza basata sui logit aggregati per mitigare l'eterogeneità dei dati, ridurre il carico di comunicazione e resistere ad attacchi avversari senza richiedere modifiche ai client.
Questo paper introduce l'Economia dell'Intelligenza Embodied, sostenendo che il superamento di determinate soglie di capacità nell'IA fisica innescherà una transizione di fase nella geografia economica manifatturiera, sostituendo la logica fordista di centralizzazione e arbitrio del lavoro con una produzione micro-distribuita e localizzata in base a condizioni ambientali ottimali per le macchine.
Questo studio dimostra che un edificio può funzionare come un computer a serbatoio fisico, utilizzando le vibrazioni del pavimento rilevate da una rete di accelerometri e un processo di elaborazione leggero per localizzare con precisione i passi degli occupanti senza necessità di calibrazione specifica per soggetto o grandi dataset etichettati.
Il paper presenta VeNRA, un agente di ragionamento finanziario neuro-simbolico che supera i limiti delle architetture RAG tradizionali sostituendo il recupero testuale probabilistico con un registro di fatti deterministici e un modello Sentinel addestrato tramite simulazione avversaria per garantire ragionamento numerico verificabile e privo di allucinazioni.
MOOSEnger è un agente AI specializzato che, combinando generazione basata su recupero di documenti e strumenti di parsing e validazione deterministici, trasforma le richieste in linguaggio naturale in file di input MOOSE eseguibili, raggiungendo un tasso di successo del 93% rispetto all'8% ottenuto da un modello linguistico puro.
Questo articolo propone un metodo di localizzazione basato sull'appartenenza a un insieme che, assumendo errori di misura limitati ma sconosciuti, caratterizza la posizione incognita tramite un insieme di localizzazione non convesso e ne calcola efficienti approssimazioni esterne (scatole o ellissoidi) e interne mediante programmazione convessa, offrendo un approccio geometrico diretto alternativo alle rilassamenti SDP.
Il lavoro propone un nuovo approccio di flusso superficiale continuo (CSF) scalato per parametri che, migliorando la precisione nella previsione delle temperature dell'interfaccia e riducendo i costi computazionali, permette simulazioni più accurate della dinamica del bagno di fusione nella produzione additiva metallica.
Questo studio presenta un nuovo framework che integra un modello linguistico di grandi dimensioni (LLM) per generare alfa formulaici basati sul sentiment e un modello Transformer, dimostrando come tale combinazione migliori significativamente l'accuratezza nella previsione dei prezzi azionari e ne aumenti l'interpretabilità.
Questo studio propone una strategia di ottimizzazione di portafoglio per le criptovalute che integra indicatori tecnici e analisi del sentiment per migliorare i rendimenti aggiustati al rischio rispetto alle strategie tradizionali, pur evidenziando la necessità di ulteriori meccanismi di gestione del rischio per mitigare i significativi drawdown durante i periodi di stress di mercato.
Questo studio presenta un framework di apprendimento per rinforzo basato su PPO che ottimizza dinamicamente i pesi di alfa generati da LLM, migliorando il rapporto rischio-rendimento e riducendo i drawdown massimi rispetto alle strategie tradizionali.
Questo articolo sviluppa un'analisi armonica per reti dirette non normali definendo una Trasformata di Fourier Biortogonale basata su basi duali, che quantifica le distorsioni geometriche indotte dalla non-normalità e fornisce garanzie di stabilità per il campionamento e la ricostruzione del segnale.
SpecBridge è un nuovo framework di allineamento cross-modale che, affinando un codificatore spettrale pre-addestrato per proiettare gli spettri di massa nello spazio latente di un modello molecolare fondazionale congelato, migliora significativamente l'accuratezza del recupero delle piccole molecole rispetto ai metodi esistenti mantenendo un numero ridotto di parametri addestrabili.
Questo articolo estende il framework CNF per risolvere equazioni differenziali alle derivate parziali non lineari e accoppiate, proponendo un metodo di collocazione Kansa guidato dall'apprendimento per affrontare problemi diretti, inversi e di scoperta delle equazioni, superando così le limitazioni dei metodi numerici tradizionali.
Questo articolo propone una formulazione più semplice e intuitiva della funzione di costo per i punti caldi, basata sull'interpolazione preventiva delle tracce, che migliora l'accuratezza e l'affidabilità delle ricostruzioni del movimento assoluto delle placche ottenute tramite il codice optAPM.
Il paper introduce MOOSE-Star, un framework unificato che supera l'intrattabilità matematica del training diretto per la scoperta scientifica riducendo la complessità da esponenziale a logaritmica attraverso l'addestramento su sottocompiti decomposti, una ricerca gerarchica guidata dalla motivazione e una composizione limitata, supportato dal dataset TOMATO-Star.