2315 articoli
Il paper propone Spatial-TTT, un approccio basato sull'addestramento al momento del test (TTT) che utilizza un'architettura ibrida e un meccanismo di previsione spaziale per migliorare la comprensione intelligente dello spazio a partire da flussi video continui e a lungo termine.
Il paper presenta un metodo privo di addestramento per il controllo fine dei colori nelle immagini generate da FLUX.1, basato sull'identificazione e manipolazione di un sottospazio latente strutturato secondo i parametri di Tonalità, Saturazione e Luminosità.
Il documento presenta BEFANA, un software open-source in Python basato su notebook interattivi, progettato per facilitare l'analisi, la visualizzazione e la modellazione predittiva delle reti ecologiche attraverso l'integrazione di metodi di apprendimento automatico.
Questo articolo propone un metodo di aggiornamento bayesiano efficiente basato sull'approssimazione di Laplace per l'apprendimento attivo profondo, che sostituisce il costoso riaddestramento delle reti neurali con un passo di ottimizzazione del secondo ordine, consentendo una selezione di batch più rapida e diversificata.
Questo paper propone una nuova misura di equità chiamata "rischio discriminatorio" che integra aspetti individuali e di gruppo, dimostrando teoricamente come la combinazione di ensemble possa migliorare l'equità dei modelli di machine learning attraverso limiti dipendenti dal margine e introducendo metodi di potatura per ottenere sottogruppi sia accurati che equi.
Questo studio offre una valutazione aggiornata dell'approccio di apprendimento per rinforzo di Google Brain per il posizionamento dei macro, introducendo nuovi benchmark open-source, confrontando l'implementazione Circuit Training con baselines avanzate come la ricottura simulata e strumenti commerciali, e sollevando questioni critiche sulla riproducibilità e la scalabilità dei metodi esistenti.
Questo articolo propone un metodo di branch-and-bound disgiuntivo e nuove rilassazioni convesse per risolvere il completamento di matrici a basso rango con garanzia di ottimalità certificata, riducendo significativamente il divario di ottimalità e l'errore di generalizzazione rispetto ai metodi euristici esistenti.
Il paper propone e sperimenta le "società di menti" basate sul linguaggio naturale (NLSOM), in cui grandi modelli linguistici e altri esperti neurali collaborano tramite un'interfaccia linguistica per superare i limiti dei singoli modelli e risolvere compiti multimodali complessi, aprendo al contempo nuove questioni di ricerca sulla struttura sociale e l'economia di tali sistemi di intelligenza artificiale emergenti.
Questo lavoro corregge le limitazioni dell'approssimazione di Laplace riemanniana basata sulla metrica di Fisher, introducendo due varianti alternative che garantiscono l'esattezza asintotica e migliorano le prestazioni pratiche nelle inferenze bayesiane.
Questo studio dimostra che i grandi modelli linguistici (LLM), utilizzati sia tramite prompting zero-shot che come generatori di embedding per modelli supervisionati, offrono un'alternativa flessibile ed efficiente dal punto di vista dei dati per la previsione dei comportamenti di viaggio, raggiungendo prestazioni competitive rispetto ai modelli tradizionali.
Questo articolo propone un metodo di aggregazione basato sul trasporto ottimo per combinare modelli Mixture-of-Experts distribuiti in un unico stimatore globale, garantendo efficienza computazionale, bassi costi di comunicazione e prestazioni statistiche comparabili all'addestramento centralizzato.
Il paper presenta MFedMC, un framework di apprendimento federato multimodale efficiente nelle comunicazioni che, attraverso un'architettura disaccoppiata e un algoritmo di selezione congiunta di client e modalità basato su valori di Shapley, riduce l'overhead di comunicazione di oltre 20 volte mantenendo prestazioni comparabili ai metodi esistenti.
Il paper presenta HyWIA, un metodo innovativo per la potatura strutturata dei grandi modelli linguistici che, integrando valutazioni di importanza dei pesi a granularità fine e grossolana tramite un meccanismo di attenzione adattivo, supera le tecniche esistenti mantenendo prestazioni superiori nei compiti downstream.
Questo articolo presenta due metodi per approssimare l'informazione di Fisher nel metodo BAIT, riducendone drasticamente la complessità computazionale e rendendolo scalabile per dataset di grandi dimensioni come ImageNet, mantenendo al contempo prestazioni elevate nell'apprendimento attivo profondo.
Questo studio applica tecniche di machine learning spiegabile a un dataset di 28 anni nel Golfo di Trieste per prevedere con successo la tossicità delle cozze causata da fioriture algali, identificando specie specifiche e fattori ambientali come predittori chiave per migliorare i sistemi di allerta precoce e l'acquacoltura sostenibile.
Questo articolo propone una formulazione di controllo singolare regolarizzato per problemi di arresto ottimale esplorativo, risolvendoli tramite il principio di programmazione dinamica e sviluppando algoritmi di apprendimento per rinforzo, sia basati su modello che liberi da modello, per identificare strategie ottimali scalabili in spazi ad alta dimensionalità.
Il paper introduce il Mamba Neural Operator (MNO), un nuovo framework che supera i limiti dei Transformer nell'analisi delle equazioni differenziali alle derivate parziali (PDE) integrando i modelli a stato strutturato (SSM) per catturare in modo più efficace le dipendenze a lungo raggio e la dinamica continua, risultando così superiore in termini di accuratezza ed efficienza.
Il paper introduce EarthquakeNPP, un nuovo benchmark che corregge le carenze dei precedenti dataset e dimostra che, nonostante i recenti progressi, i processi puntuali neurali attuali non superano ancora le prestazioni del modello ETAS classico per la previsione sismica.
Questo studio rivela che i modelli di diffusione non memorizzano i dati in modo improvviso, ma subiscono un collasso geometrico graduale in cui, all'aumentare della scarsità dei dati, le capacità generative si restringono progressivamente su pochi esempi, passando dalla generalizzazione alla copia puntuale attraverso un processo di "congelamento" delle variazioni.
Il paper propone il metodo ibrido 3D-PIUNet, che migliora la ricostruzione delle sorgenti cerebrali EEG integrando una stima iniziale basata sulla fisica con una rete neurale 3D U-Net per affinare la soluzione, ottenendo una maggiore accuratezza spaziale rispetto ai metodi tradizionali e puramente data-driven.