cs.LG articoli | Gist.Science

Class Incremental Learning with Task-Specific Batch Normalization and Out-of-Distribution Detection

Questo studio propone un nuovo framework di apprendimento continuo per la classificazione di immagini che estende i metodi Task-Incremental Learning al contesto Class-Incremental Learning utilizzando la rilevazione di distribuzioni fuori dal dominio per prevedere l'identificatore del task, sfruttando la normalizzazione di batch specifica per task e teste di classificazione con una classe "sconosciuta" per bilanciare plasticità e stabilità senza un significativo aumento dei parametri.

Zhiping Zhou, Xuchen Xie, Yiqiao Qiu, Run Lin, Weishi Zheng, Ruixuan Wang2026-03-12🤖 cs.LG

Conditional Local Importance by Quantile Expectations

Il paper propone CLIQUE, un nuovo metodo agnostico rispetto al modello per calcolare l'importanza locale delle variabili che cattura le dipendenze locali e le interazioni, superando i limiti di tecniche come LIME e SHAP e adattandosi nativamente ai problemi di classificazione multiclasse.

Kelvyn K. Bladen, Adele Cutler, D. Richard Cutler, Kevin R. Moon2026-03-12📊 stat

A Novel Single-Layer Quantum Neural Network for Approximate SRBB-Based Unitary Synthesis

Questo lavoro presenta una nuova rete neurale quantistica a singolo strato che, sfruttando l'algebra di Lie e il metodo SRBB, riduce esponenzialmente il numero di porte CNOT necessarie per la sintesi approssimata di operatori unitari, dimostrando la sua efficacia sia in simulazione che su hardware reale.

Giacomo Belli, Marco Mordacci, Michele Amoretti2026-03-12⚛️ quant-ph

Pairwise Comparisons without Stochastic Transitivity: Model, Theory and Applications

Questo articolo propone una nuova famiglia di modelli statistici per le comparazioni a coppie che, eliminando l'assunzione di transitività stocastica tipica dei modelli Bradley-Terry e Thurstone, utilizza una matrice antisimmetrica a bassa dimensionalità per gestire scenari complessi con dati sparsi, garantendo al contempo ottimalità teorica e prestazioni superiori.

Sze Ming Lee, Yunxiao Chen2026-03-12📊 stat

Particle Trajectory Representation Learning with Masked Point Modeling

Il paper introduce PoLAr-MAE, un modello di apprendimento auto-supervisionato basato su masked point modeling che, applicato ai dati dei rivelatori LArTPC, apprende rappresentazioni fisiche significative delle traiettorie delle particelle consentendo prestazioni di segmentazione semantiche paragonabili a metodi supervisionati su larga scala con una frazione minima di dati etichettati.

Sam Young, Yeon-jae Jwa, Kazuhiro Terao2026-03-12⚛️ hep-ex

Graph machine learning for flight delay prediction due to holding manouver

Questo studio propone un approccio basato sul Machine Learning su grafi per prevedere i ritardi aerei causati dalle manovre di attesa, dimostrando che un modello CatBoost arricchito con caratteristiche grafiche supera le reti neurali attentive (GAT) in termini di accuratezza e interpretabilità su dati sbilanciati, con potenziali applicazioni operative per migliorare l'efficienza del traffico aereo.

Jorge L. Franco, Manoel V. Machado Neto, Filipe A. N. Verri + 1 more2026-03-12🤖 cs.LG

Logarithmic Regret for Online KL-Regularized Reinforcement Learning

Questo articolo propone un algoritmo di bandito contestuale online basato sull'ottimismo per l'apprendimento per rinforzo regolarizzato con KL, dimostrando che lo sfruttamento del paesaggio di ottimizzazione favorevole e della stima ottimistica dei reward permette di ottenere un limite di rimpianto logaritmico sia nel contesto dei banditi che in quello generale dell'apprendimento per rinforzo.

Heyang Zhao, Chenlu Ye, Wei Xiong + 2 more2026-03-12📊 stat

Boosting Cross-problem Generalization in Diffusion-Based Neural Combinatorial Solver via Inference Time Adaptation

Il paper presenta DIFU-Ada, un framework di adattamento a tempo di inferenza senza training che permette ai solver di ottimizzazione combinatoria basati su diffusione, addestrati esclusivamente sul problema del commesso viaggiatore, di generalizzare in modo zero-shot su diverse varianti e scale del problema senza richiedere conoscenze di dominio manuali.

Haoyu Lei, Kaiwen Zhou, Yinchuan Li, Zhitang Chen, Farzan Farnia2026-03-12🤖 cs.LG

Is CLIP ideal? No. Can we fix it? Yes!

Questo articolo dimostra che lo spazio latente di CLIP presenta limiti geometrici fondamentali nell'elaborare interazioni complesse tra testo e immagine, proponendo quindi le Dense Cosine Similarity Maps (DCSM) come metodo interpretabile che supera tali carenze preservando la topologia semantica e migliorando le prestazioni su vari benchmark.

Raphi Kang, Yue Song, Georgia Gkioxari, Pietro Perona2026-03-12🤖 cs.LG

Are Deep Speech Denoising Models Robust to Adversarial Noise?

Questo studio dimostra che quattro recenti modelli di soppressione del rumore profondo possono essere resi inintelligibili dall'aggiunta di rumore avversario psicologicamente nascosto, evidenziando la necessità di contromisure pratiche prima del loro utilizzo in applicazioni critiche per la sicurezza.

Will Schwarzer, Neel Chaudhari, Philip S. Thomas, Andrea Fanelli, Xiaoyu Liu2026-03-12⚡ eess

Learn to Bid as a Price-Maker Wind Power Producer

Questo articolo propone un algoritmo di apprendimento online basato su un problema di bandito contestuale che consente ai produttori eolici con potere di mercato di ottimizzare le proprie offerte strategiche, riducendo i costi di squilibrio senza richiedere modelli di mercato complessi.

Shobhit Singhal, Marta Fochesato, Liviu Aolaritei + 1 more2026-03-12⚡ eess

An Algorithm to perform Covariance-Adjusted Support Vector Classification in Non-Euclidean Spaces

Questo articolo propone un algoritmo chiamato Cholesky-SVM che supera i limiti delle SVM tradizionali negli spazi non euclidei incorporando la covarianza dei dati tramite decomposizione di Cholesky, ottenendo così una classificazione più accurata rispetto ai metodi convenzionali.

Satyajeet Sahoo, Jhareswar Maiti2026-03-12📊 stat

Rethinking Few-Shot Image Fusion: Granular Ball Priors Enable General-Purpose Deep Fusion

Questo articolo propone un nuovo approccio per la fusione di immagini in pochi esempi che, sfruttando i "priors granulari" (incompleti) calcolati tramite l'algoritmo GBPC e un'adattiva funzione di perdita, permette a una rete neurale leggera di apprendere regole di fusione efficaci senza bisogno di immagini fuse reali come supervisione.

Minjie Deng, Yan Wei, An Wu, Yuncan Ouyang, Hao Zhai, Qianyao Peng2026-03-12⚡ eess

Offline Dynamic Inventory and Pricing Strategy: Addressing Censored and Dependent Demand

Questo articolo propone due nuovi algoritmi basati sui dati per determinare strategie ottimali di prezzo e gestione delle scorte in un ambiente offline caratterizzato da domanda censurata e dipendente, superando le sfide legate alla violazione della proprietà di Markov e alla mancanza di informazioni sui profitti attraverso l'approssimazione di un MDP di ordine superiore e l'analisi di sopravvivenza.

Korel Gundem, Zhengling Qi2026-03-12📊 stat

Score Matching Diffusion Based Feedback Control and Planning of Nonlinear Systems

Questo articolo propone un framework deterministico basato sul score matching diffusion per il controllo della densità di probabilità di sistemi non lineari, trasformando la sintesi del controllo nel progetto di un processo inverso che guida il sistema verso una distribuzione target.

Karthik Elamvazhuthi, Darshan Gadginmath, Fabio Pasqualetti2026-03-12⚡ eess

Scalable Multi-Task Learning through Spiking Neural Networks with Adaptive Task-Switching Policy for Intelligent Autonomous Agents

Il paper propone SwitchMT, un metodo innovativo che utilizza reti neurali spiking con dendriti attivi e una politica di commutazione dei compiti adattiva per migliorare l'apprendimento multi-task scalabile degli agenti autonomi, riducendo l'interferenza tra compiti senza aumentare la complessità della rete.

Rachmad Vidya Wicaksana Putra, Avaneesh Devkota, Muhammad Shafique2026-03-12🤖 cs.AI

Panda: A pretrained forecast model for chaotic dynamics

Il paper presenta Panda, un modello pre-addestrato basato su meccanismi di attenzione che, pur essendo stato addestrato esclusivamente su dati sintetici di equazioni differenziali ordinarie, dimostra la capacità di prevedere con successo sistemi caotici complessi, inclusi quelli governati da equazioni differenziali alle derivate parziali e serie temporali reali, grazie a proprietà emergenti come il forecasting zero-shot e la scoperta di leggi di scaling neurale.

Jeffrey Lai, Anthony Bao, William Gilpin2026-03-12🌀 nlin

LLLMs: A Data-Driven Survey of Evolving Research on Limitations of Large Language Models

Questo studio presenta un'analisi basata sui dati e semi-automatizzata delle limitazioni dei grandi modelli linguistici (LLLMs) dal 2022 al 2025, rivelando una crescita esponenziale della ricerca in questo settore e identificando il ragionamento come la limitazione più studiata, pur con differenze nelle tendenze tematiche tra le pubblicazioni ACL e quelle di arXiv.

Aida Kostikova, Zhipin Wang, Deidamea Bajri, Ole Pütz, Benjamin Paaßen, Steffen Eger2026-03-12💬 cs.CL

Consistency-based Abductive Reasoning over Perceptual Errors of Multiple Pre-trained Models in Novel Environments

Questo paper propone un quadro di ragionamento abduttivo basato sulla coerenza che integra le previsioni di modelli pre-addestrati multipli in ambienti nuovi, utilizzando regole logiche per identificare e gestire errori percettivi, ottenendo così miglioramenti significativi nella precisione e nel richiamo rispetto ai singoli modelli e alle basi di ensemble standard.

Mario Leiva, Noel Ngu, Joshua Shay Kricheli, Aditya Taparia, Ransalu Senanayake, Paulo Shakarian, Nathaniel Bastian, John Corcoran, Gerardo Simari2026-03-12🤖 cs.AI

CARTGen-IR: Synthetic Tabular Data Generation for Imbalanced Regression

Il paper presenta CARTGen-IR, un metodo sintetico basato su alberi decisionali per generare dati tabulari in scenari di regressione sbilanciata, che risolve le limitazioni delle tecniche esistenti evitando soglie arbitrarie e offrendo un'alternativa scalabile, trasparente ed efficiente rispetto ai modelli generativi complessi.

António Pedro Pinheiro, Rita P. Ribeiro2026-03-12🤖 cs.LG

← Precedente Successivo →