🤖 Category

cs.LG

23164 articoli

Questa sezione esplora le scoperte scientifiche che si muovono tra la chimica e la fisica, un territorio affascinante dove la materia e l'energia interagiscono in modi complessi. Dai nuovi materiali intelligenti ai meccanismi fondamentali delle reazioni, questi studi offrono una finestra sul futuro della tecnologia e della nostra comprensione dell'universo.

Ogni giorno, Gist.Science monitora arXiv per individuare nuovi preprint in questo ambito, trasformando ricerche tecniche in contenuti accessibili. Offriamo sia riassunti semplici per chi cerca una visione d'insieme chiara, sia analisi dettagliate per chi desidera approfondire i dati specifici, rendendo la scienza aperta a tutti.

Di seguito trovate gli ultimi articoli pubblicati in questa categoria, aggiornati in tempo reale con le nostre sintesi.

🔬 physics

A Neural-preconditioned Poisson Solver for Mixed Dirichlet and Neumann Boundary Conditions

Questo articolo introduce un risolutore iterativo precondizionato da una rete neurale che utilizza un'architettura di rete neurale innovativa e leggera per risolvere efficientemente equazioni di Poisson con condizioni al contorno miste su domini in evoluzione, superando i metodi tradizionali come il multigrid algebrico evitando costose fasi di setup e generalizzando a forme, condizioni e dimensioni di griglia non viste.

Kai Weixian Lan, Elias Gueidon, Ayano Kaneda, Julian Panetta, Joseph Teran2026-09-07
🤖 machine learning

An Empirical Study into Clustering of Unseen Datasets with Self-Supervised Encoders

Questo articolo dimostra empiricamente che, sebbene gli encoder auto-supervisionati generalizzino meglio su dataset non visti rispetto a quelli supervisionati, il fine-tuning su ImageNet-1k inverte questo vantaggio, e stabilisce inoltre che il punteggio di silhouette nello spazio UMAP funge da affidabile proxy per valutare le prestazioni di clustering su dati non etichettati.

Scott C. Lowe, Joakim Bruslund Haurum, Sageev Oore, Thomas B. Moeslund, Graham W. Taylor2026-09-07
🤖 machine learning

The Sample Complexity of Learning Lipschitz Operators with respect to Gaussian Measures

Questo articolo stabilisce che l'apprendimento di operatori Lipschitz da campioni lineari sotto misure gaussiane soffre di una maledizione intrinseca della complessità campionaria, dimostrando che nessun metodo può raggiungere tassi di convergenza algebrica a meno che l'operatore di covarianza sottostante non presenti un decadimento spettrale sufficientemente rapido.

Ben Adcock, Michael Griebel, Gregor Maier2026-09-07
🤖 machine learning

TSMini: A Simple Yet Highly Effective Trajectory Similarity Learning Model

TSMini è un modello di apprendimento della similarità delle traiettorie altamente efficace che raggiunge una precisione allo stato dell'arte impiegando un meccanismo di modellazione sub-view per l'apprendimento di pattern multi-granularità e una perdita basata sui k-vicini più prossimi per catturare sia i valori di similarità assoluta che i ranghi di similarità relativa.

Yanchuan Chang, Dingyang Lyu, Xu Cai, Christian S. Jensen, Jianzhong Qi2026-09-07
🤖 machine learning

GraphMend: Code Transformations for Fixing Graph Breaks in PyTorch 2

GraphMend è una tecnica di compilazione che identifica e corregge automaticamente le interruzioni del grafo FX nei programmi PyTorch 2 attraverso trasformazioni a livello di sorgente sensibili alla semantica, migliorando significativamente le prestazioni e l'usabilità dei modelli consentendo compilazioni di grafi più ampie e ininterrotte.

Savini Kashmira, Jayanaka Dantanarayana, Thamirawaran Sathiyalogeswaran, Krisztian Flautner, Lingjia Tang, Jason Mars2026-09-07
🤖 machine learning

Constrained Sensing and Reliable State Estimation with Shallow Recurrent Decoders on a TRIGA Mark II Reactor

Questo articolo presenta la prima applicazione delle reti Shallow Recurrent Decoder (SHRED) a un reattore nucleare TRIGA Mark II in esercizio, dimostrando la loro capacità di ricostruire accuratamente i campi di stato completi in tempo reale utilizzando sia dati di temperatura sintetici che sperimentali, mantenendo al contempo robustezza contro il rumore dei sensori e le discrepanze del modello.

Stefano Riva, Carolina Introini, Josè Nathan Kutz, Antonio Cammi2026-09-07
🤖 AI

Predicting California Bearing Ratio with Ensemble and Neural Network Models: A Case Study from Turkiye

Questo studio dimostra che un modello Random Forest, addestrato su 382 campioni di suolo della Turchia, predice efficacemente il California Bearing Ratio con un'elevata accuratezza (R²=0,83), offrendo un'alternativa di apprendimento automatico rapida e affidabile ai tradizionali e dispendiosi test di laboratorio per l'ingegneria geotecnica.

Abdullah Hulusi Kökçam, Uğur Dağdeviren, Talas Fikret Kurnaz, Alparslan Serhat Demir, Caner Erden2026-09-07
🤖 machine learning

Fractal and Chaotic Activation Functions in Echo State Networks: Preprocessing Topology Governs the Echo State Property

Questo articolo dimostra che funzioni di attivazione non smussate, frattali e caotiche possono superare significativamente le tradizionali attivazioni smussate nelle Echo State Networks mantenendo la stabilità e accelerando la convergenza attraverso una preelaborazione monotona e compressiva, sfidando così la convenzionale dipendenza dalla continuità di Lipschitz globale e introducendo un nuovo quadro teorico per la dinamica dei reservoir quantizzati.

Rae Chipera, Jenny Du, Irene Tsapara2026-09-07
📊 statistics

Forecast Skill Is Not Decision Skill: Evidence from Weather-Dependent Decision Tasks

Questo articolo introduce la calibrazione delle decisioni come un quadro di riferimento per dimostrare che le valutazioni statistiche standard delle previsioni spesso non riescono a predire l'effettiva utilità di un modello nel processo decisionale reale, poiché le classifiche dei modelli possono cambiare significativamente quando vengono valutate in base alla loro capacità di migliorare specifiche decisioni dipendenti dal meteo.

Kornelius Raeth, Nicole Ludwig2026-09-07