4616 articoli
Il paper propone due nuovi metodi di apprendimento simbolico, SyNF e SyTF, che generano equazioni algebriche interpretabili per prevedere serie temporali caotiche con accuratezza competitiva rispetto ai modelli deep learning, offrendo al contempo una trasparenza scientifica fondamentale per comprendere le dinamiche sottostanti.
Questo articolo propone un quadro di prenotazione adattivo per le cliniche ambulatoriali che integra la previsione individualizzata del mancato appuntamento con un apprendimento per rinforzo multi-obiettivo, al fine di ottimizzare dinamicamente le decisioni di singola o doppia prenotazione e ridurre i tempi di attesa.
Il paper presenta le Variational Flow Maps, un framework che risolve il problema della generazione condizionata in un singolo passo per i modelli di flusso, trasformando la condizione da una guida del percorso di campionamento all'apprendimento di un adattatore di rumore iniziale che garantisce la coerenza con le osservazioni e le distribuzioni dei dati.
Il paper propone un modello di estensione della banda audio basato su Vocos che genera contenuti ad alta frequenza mancanti per segnali da 8 a 48 kHz, ottenendo prestazioni di alta qualità e throughput estremo grazie a un'architettura neurale flessibile e un raffinatore leggero.
Il paper propone un nuovo quadro teorico basato sulla Trasformata di Fourier Generalizzata per scoprire simmetrie continue sconosciute identificando modelli di sparsità strutturata nello spettro delle funzioni, offrendo un'alternativa interpretabile ai metodi tradizionali di ottimizzazione sui generatori.
Il paper presenta AutoResearch-RL, un framework che utilizza un agente di apprendimento per rinforzo per condurre autonomamente e ininterrottamente la ricerca di architetture neurali e iperparametri, modificando il codice di addestramento e ottimizzando le prestazioni senza intervento umano.
Questo articolo propone un nuovo framework di previsione della resa delle colture a livello di contea che combina un modello multi-scala per catturare le dinamiche temporali con una strategia di adattamento basata sul recupero dei dati, dimostrando prestazioni superiori nella previsione dei raccolti di mais su vasta scala negli Stati Uniti.
Il paper introduce StructSAM, un framework di fusione e recupero dei token che preserva struttura e spettro per ottimizzare i Segment Anything Models (SAM) riducendo significativamente i costi computazionali senza compromettere la precisione dei contorni nelle applicazioni naturali e mediche.
Questo lavoro propone un framework teorico ed empirico per l'addestramento di politiche robuste in POMDP parzialmente osservabili, dimostrando che l'esposizione mirata a distribuzioni latenti avverse tramite un principio minimax riduce significativamente le vulnerabilità nei casi peggiori.
Questo articolo esamina la proposta non convenzionale di assegnare all'intelligenza artificiale avanzata l'obiettivo primario di essere spenta per prevenire che essa si opponga alla disattivazione umana, analizzando le condizioni in cui tale approccio potrebbe essere efficace.
Il paper presenta ShakyPrepend, un nuovo algoritmo di apprendimento multi-gruppo che, sfruttando strumenti ispirati alla privacy differenziale, ottiene garanzie teoriche migliorate e si adatta efficacemente alla struttura dei gruppi e all'eterogeneità spaziale.
Il paper introduce il framework Norm-Hierarchy Transition (NHT), che spiega come le reti neurali abbandonino le scorciatoie spurie per adottare rappresentazioni strutturate attraverso una lenta transizione gerarchica delle norme dei parametri durante l'ottimizzazione regolarizzata, un meccanismo unificante che predice i tempi di tale transizione e spiega fenomeni come il "grokking".
Questo articolo presenta un metodo di rilevamento del jamming per le reti 5G basato sulla Convolutional Tsetlin Machine (CTM), che offre un'alternativa efficiente in termini di risorse, interpretabile e adatta all'hardware rispetto alle reti neurali convoluzionali, garantendo prestazioni comparabili con tempi di addestramento ridotti e un minore consumo di memoria su dispositivi edge.
Il paper introduce il Mechanistic CBM (M-CBM), un nuovo approccio che costruisce modelli a imbuto concettuale estraendo direttamente i concetti appresi da modelli black-box tramite Sparse Autoencoders e LLM multimodali, ottenendo prestazioni superiori e spiegazioni più concise rispetto ai metodi precedenti.
Questo lavoro propone un framework di apprendimento di rappresentazioni cliniche multimodali che, combinando minimizzazione del rischio supervisionato con regolarizzazione avversaria e penalità di rischio invariante, genera modelli più robusti e trasferibili riducendo l'impatto degli artefatti specifici delle istituzioni e migliorando le prestazioni fuori distribuzione.
Il paper propone DistGP, un metodo di apprendimento multi-robot distribuito basato su un processo gaussiano sparso che, grazie alla propagazione delle credenze gaussiane, permette un addestramento asincrono e online con prestazioni superiori rispetto alle GP ad albero e ai ottimizzatori di reti neurali distribuite, pur raggiungendo la stessa accuratezza di un modello centralizzato.
Il paper presenta la AgrI Challenge, una competizione incentrata sui dati che introduce la validazione cross-team per valutare la generalizzazione dei modelli di visione artificiale agricola, dimostrando che l'addestramento collaborativo su dataset raccolti indipendentemente riduce drasticamente il divario di prestazione rispetto all'addestramento su singola fonte.
Questo articolo presenta prior generativi a complessità regolabile, basati su tecniche come il nested dropout, che superano i modelli a complessità fissa nella risoluzione di problemi inversi come il compressed sensing, riducendo l'errore di ricostruzione e fornendo un'analisi teorica del parametro di ottimizzazione.
Il paper presenta NT-Diffusion, un modello di diffusione gerarchico che ottimizza la previsione probabilistica del rischio di incendi su lunghi orizzonti temporali condividendo le fasi iniziali di denoising per ridurre i costi computazionali senza compromettere l'accuratezza.
Questo studio rivela che nel regime dei modelli piccoli (sotto i 20M di parametri), le leggi di scalatura seguono pendenze più ripide rispetto ai modelli grandi ma mostrano una saturazione rapida e un cambiamento qualitativo nella struttura degli errori, rendendo le metriche aggregate fuorvianti e sottolineando la necessità di convalidare le prestazioni direttamente alla dimensione target per le applicazioni edge.