4333 articoli
Questo lavoro presenta un modello ibrido di apprendimento few-shot integrato con l'intelligenza artificiale spiegabile (XAI) per diagnosticare con alta precisione e trasparenza le malattie delle foglie di mais, riso e grano anche in condizioni di dati annotati limitati.
Il paper propone PRPO, un metodo di ottimizzazione parallela per risolvere i conflitti di addestramento nei modelli LVLM per l'analisi dei grafici, e MCDR-Bench, una nuova benchmark per la valutazione oggettiva delle capacità di ricerca approfondita, stabilendo un quadro unificato che supera le attuali limitazioni nell'intelligenza dei dati visivi.
Il paper propone una strategia plug-and-play basata su un passo di denoising inverso aggiuntivo e sul campionamento Monte-Carlo (ABMS) per ridurre gli errori di stima nei modelli generativi guidati da SDE, migliorando così la qualità e la coerenza della generazione condizionata in diversi scenari applicativi.
Questo lavoro presenta un nuovo framework di apprendimento non supervisionato basato su filtri convoluzionali e reti neurali che, pur in assenza di dataset di addestramento e in condizioni di forte rumore, permette una ricostruzione ad alta fedeltà delle immagini del fascio e una risoluzione senza precedenti della struttura dell'alone nei diagnostici di acceleratori di particelle.
Il paper propone la Soft Equivariance Regularization (SER), un metodo di regolarizzazione che migliora l'apprendimento auto-supervisionato decouplando l'invarianza e l'equivarianza su diversi livelli della rete, ottenendo così prestazioni superiori nella classificazione, nella robustezza e nel rilevamento di oggetti senza richiedere etichette di trasformazione o componenti aggiuntivi significativi.
Il paper dimostra che i modelli MLLM basati solo su RGB falliscono nella generalizzazione spaziale tra diverse telecamere a causa dell'ambiguità tra proprietà fisiche e prospettiva, e propone un framework "Camera-Aware" che, integrando parametri intrinseci, augmentation dei dati e distillazione di priors geometrici, risolve tale problema garantendo un'intelligenza spaziale robusta e generalizzabile.
Questo studio dimostra che l'applicazione della regressione quantilica conformalizzata ai modelli di deep learning per la previsione dei brillamenti solari migliora significativamente l'affidabilità delle previsioni spaziali fornendo intervalli di confidenza con copertura valida e lunghezze ottimali.
Il paper presenta ATLAS, un framework di reinforcement finetuning che permette ai piccoli modelli linguistici di operare efficacemente in vasti ecosistemi di strumenti, trasformando il controllo del contesto e l'esecuzione in decisioni apprese e utilizzando una ricompensa basata su rubriche per superare i limiti delle risorse e avvicinarsi alle prestazioni dei modelli frontier.
Questo studio presenta una pipeline integrata che combina generazione ad alta fedeltà e audit automatizzato tramite modelli linguistici per produrre tracciati sintetici di pazienti clinicamente coerenti e privi di rischi per la privacy, migliorando le prestazioni dei modelli downstream rispetto ai dati reali.
Il paper introduce ProtAlign, un framework di apprendimento contrastivo che allinea le rappresentazioni delle sequenze e delle strutture proteiche in uno spazio condiviso per migliorare il recupero incrociato, le previsioni funzionali e l'interpretabilità biologica.
Il paper propone un framework di fusione a feedback bidirezionale che integra dati ambientali e comportamenti umani per migliorare l'accuratezza delle previsioni della qualità dell'aria interna (CO2 e PM2.5), superando i limiti dei modelli tradizionali attraverso una modellazione adattiva e stime di incertezza interpretabili.
Il paper propone FutureBoosting, un approccio ibrido che potenzia i modelli di regressione per la previsione dei prezzi elettrici integrandoli con caratteristiche predette da modelli fondazione temporali, ottenendo così una riduzione dell'errore superiore al 30% rispetto agli stati dell'arte.
Il paper propone "Safe Transformer", un approccio modulare che inserisce un bit di sicurezza esplicito e interpretabile all'interno dei modelli linguistici pre-addestrati per garantire un allineamento controllabile e trasparente, ottenendo prestazioni di sicurezza superiori rispetto ai metodi tradizionali con un fine-tuning leggero.
Il paper presenta Orion, il primo sistema end-to-end open che bypassa CoreML per abilitare l'addestramento e l'inferenza di modelli linguistici direttamente sul Neural Engine di Apple, superando le limitazioni di compilazione tramite tecniche di patching dei pesi e ottenendo un significativo aumento della velocità di addestramento.
Questo lavoro propone un approccio di apprendimento per rinforzo che, grazie a una codifica delle osservazioni invariante alla densità e a un addestramento randomizzato, permette a un agente di navigare in folle dense con generalizzazione zero-shot, evitando sia il congelamento tipico dei metodi analitici sia i crash dei metodi basati sull'apprendimento tradizionali.
Il paper presenta PolyBlocks, un'infrastruttura di compilazione modulare basata su MLIR per framework AI e chip, che genera automaticamente codice ad alte prestazioni per nuove architetture e dimostra prestazioni competitive rispetto a Torch Inductor e XLA su GPU NVIDIA.
Il documento presenta Calibrated Credit Intelligence (CCI), un framework di valutazione del rischio creditizio che combina reti neurali bayesiane, gradient boosting vincolato alla parità e una strategia di fusione adattiva per garantire previsioni accurate, ben calibrate ed eque anche in presenza di cambiamenti distributivi nel tempo.
Il paper propone la Rank-Factorized Implicit Neural Bias (RIB), un metodo che sostituisce il bias posizionale relativo per abilitare FlashAttention nei Transformer per la super-risoluzione, permettendo di scalare le finestre di attenzione fino a 96×96 e ottenendo prestazioni superiori con tempi di addestramento e inferenza significativamente ridotti.
Il paper presenta un framework decentralizzato efficiente per l'addestramento di modelli di diffusione eterogenei che, combinando obiettivi di training diversi (DDPM e Flow Matching) e un'architettura ottimizzata, riduce drasticamente i requisiti computazionali e di dati rispetto alle approcci precedenti mantenendo o migliorando la qualità e la diversità dei risultati.
Il paper propone un framework di generazione vincolata che, tramite il fine-tuning di modelli generativi preaddestrati, permette di produrre campioni realistici all'interno di regioni fattibili complesse e non lineari, come quelle tipiche della guida autonoma e del controllo robotico, trovando un nuovo compromesso tra soddisfazione dei vincoli e qualità del campionamento.