2795 articoli
Questo articolo propone GramCol e le Mappe di Attenzione al Movimento Interpretabili (IMAP) per localizzare spazialmente e temporalmente i concetti di movimento nei Video Diffusion Transformers senza richiedere calcoli di gradiente o aggiornamenti dei parametri.
Il paper propone CGL, un framework di apprendimento continuo per agenti GUI che bilancia adattamento e ritenzione della conoscenza combinando il fine-tuning supervisionato con l'apprendimento per rinforzo, mitigando l'interferenza dei gradienti e introducendo un nuovo benchmark AndroidControl-CL.
Il paper presenta LDP-Slicing, un framework leggero e privo di addestramento che supera i limiti della Privacy Differenziale Locale sulle immagini decomponendo i valori dei pixel in piani di bit e ottimizzando la distribuzione del budget di privacy, garantendo così un'elevata utilità per compiti di downstream come il riconoscimento facciale e la classificazione.
Questo articolo presenta DeepScope, un sistema basato sull'intelligenza artificiale che analizza immagini microscopiche di campioni d'acqua non incubati per rilevare la contaminazione fecale in pochi secondi con un costo di 0,44 dollari per test, superando così i requisiti di velocità e accessibilità degli attuali metodi di sicurezza idrica.
Il paper presenta OptiRoulette, un nuovo meta-ottimizzatore stocastico che seleziona dinamicamente le regole di aggiornamento durante l'addestramento, garantendo una convergenza più rapida e affidabile e migliorando significativamente l'accuratezza rispetto a AdamW su diverse suite di classificazione di immagini.
Questo paper propone una rappresentazione unificata per i modelli di diffusione e il flow matching tramite equazioni lineari, evidenziando attraverso l'analisi teorica come la debole correlazione tra i dati rumorosi e l'obiettivo previsto possa compromettere il processo di apprendimento.
Il paper presenta RECAP, una strategia di apprendimento bio-ispirata che combina dinamiche di reservoir non addestrate con un meccanismo di lettura Hebbiano auto-organizzante per ottenere una classificazione di immagini robusta senza ricorrere alla retropropagazione dell'errore.
Questo studio rivela che l'approccio di "unlearning" basato sulla potatura dei pesi nei modelli di diffusione è vulnerabile a un attacco di risveglio dei concetti cancellati, poiché le posizioni dei pesi rimossi fungono da segnale secondario che permette la loro completa ricostruzione senza dati aggiuntivi o riaddestramento.
Il paper introduce ObjChangeVR-Dataset e il framework ObjChangeVR, un sistema basato su modelli linguistici multimodali che combina recupero temporale e viewpoint-aware con ragionamento incrociato per rilevare e spiegare i cambiamenti di stato degli oggetti in ambienti VR da prospettive egocentriche continue, superando le limitazioni delle interazioni dirette e delle assenze di benchmark precedenti.
Il paper propone un framework di consistenza del margine e un punteggio di fedeltà alle perturbazioni per migliorare l'affidabilità e la generalizzabilità della sottomissione profonda dell'adenocarcinoma polmonare invasivo nell'analisi di immagini intere, ottenendo significativi miglioramenti nell'accuratezza e nella robustezza rispetto ai modelli di base.
Il paper presenta PaLMR, un framework che allinea il processo di ragionamento multimodale attraverso dati percettivamente coerenti e una funzione di ricompensa gerarchica, riducendo le allucinazioni visive e migliorando l'affidabilità dei modelli senza comprometterne le prestazioni.
Il paper introduce FCBNet, un modello efficiente per la segmentazione delle infestanti basato su un backbone ConvNeXt congelato e un blocco di correzione delle caratteristiche, che supera le prestazioni di modelli esistenti in termini di accuratezza e efficienza computazionale su immagini aeree multispettrali.
Il paper presenta GameVerse, un benchmark che dimostra come i modelli visione-linguaggio possano migliorare le proprie strategie di gioco attraverso un ciclo di riflessione basato su video, combinando traiettorie di fallimento e tutorial esperti in un approccio privo di addestramento analogo al reinforcement learning e al fine-tuning supervisionato.
Il paper introduce ASMIL, un nuovo framework unificato che stabilizza le dinamiche di attenzione nel deep learning per l'analisi di immagini digitali intere (WSI) mediante un modello di riferimento e funzioni di attivazione modificate, superando così i problemi di instabilità, sovraccarico e sovrapposizione per ottenere prestazioni superiori rispetto agli stati dell'arte.
Il paper presenta EnsAug, un nuovo paradigma di addestramento che utilizza un ensemble di modelli specializzati, ciascuno allenato su una specifica trasformazione geometrica dei dati, per superare i limiti delle tecniche di aumento generiche e raggiungere prestazioni superiori nel riconoscimento di movimenti umani e della lingua dei segni.
Il paper introduce HyperTokens, un metodo basato su un generatore di token che produce prompt su richiesta e utilizza regolarizzatori ispirati al meta-apprendimento e supervisione multimodale ausiliaria per migliorare l'apprendimento continuo nel VideoQA riducendo il dimenticamento e i costi di memoria.
Il paper propone Graph-of-Mark (GoM), una tecnica di prompting visivo basata su grafi che sovrappone scene grafiche alle immagini per migliorare le capacità di ragionamento spaziale dei modelli linguistici multimodali, ottenendo risultati significativamente superiori rispetto ai metodi esistenti.
Questo paper presenta un sistema di inferenza ottimizzato per la generazione video basato su trasformatori di diffusione, che utilizza un'incodifica posizionale 3D sequenziale-parallela con un indice temporale globale per ridurre la latenza e l'uso di memoria, permettendo la generazione di video in tempo reale con qualità comparabile.
Questo studio rivela che, nel contesto medico, il ragionamento a catena di pensiero (CoT) spesso peggiora le prestazioni rispetto alla risposta diretta a causa di un collo di bottiglia nella percezione visiva, ma dimostra che interventi di ancoraggio percettivo e grounding descrittivo possono ripristinare l'accuratezza migliorando l'allineamento cross-modale.
Il paper presenta SJD-PV, un metodo di accelerazione senza addestramento per la generazione di immagini autoregressiva che riduce la latenza fino al 30% verificando speculativamente gruppi di token correlati (frasi) invece di singoli token, preservando al contempo la qualità visiva.