4679 articoli
Questo lavoro propone un framework di adattamento leggero per modelli di potenziamento vocale che, aggiornando meno dell'1% dei parametri tramite adattatori a basso rango e apprendimento auto-supervisionato, migliora significativamente la robustezza in scenari acustici reali dinamici con costi computazionali ridotti.
Questo studio presenta un framework condizionale basato su trasformatori di diffusione che genera ensemble eterogenei di strutture genomiche tridimensionali di *E. coli*, guidati da mappe di contatto Hi-C, superando i limiti dei modelli deterministici per ricostruire la diversità conformazionale del genoma.
Il paper propone e valida l'architettura LFA, che garantisce l'interpretabilità per progettazione mantenendo separati i flussi di struttura simbolica e semantica contestuale fino all'output, dimostrando così una maggiore stabilità e modularità funzionale rispetto ai transformer standard.
Questo articolo presenta un nuovo framework che, sfruttando l'ampiezza della risposta del canale per recuperare le caratteristiche ideali da quelle distorte, supera le limitazioni di sincronizzazione negli sistemi di sensing wireless bistatici, permettendo di rilevare spostamenti sub-lunghezza d'onda con una precisione quasi dieci volte superiore rispetto agli stati dell'arte.
Il documento propone un framework avanzato di Proiezioni Locali in Sottospazi Casuali (RSLP) che, integrando aggregazione pesata, campionamento consapevole delle categorie e selezione adattiva della dimensione del sottospazio, garantisce stime robuste degli impulsi di risposta e inferenza affidabile per serie temporali ad alta dimensionalità, riducendo significativamente la variabilità dell' stimatore e producendo intervalli di confidenza più stretti rispetto ai metodi tradizionali.
Il paper presenta BoT, il primo framework agnostico rispetto alle dimensioni che unifica il trasferimento di conoscenza bidirezionale (da modelli piccoli a grandi e viceversa) trattando i pesi come segnali continui e applicando la Trasformata Wavelet Discreta per ottenere significativi risparmi computazionali e prestazioni all'avanguardia.
Il documento presenta OCLADS, un innovativo framework di apprendimento continuo per la rilevazione delle anomalie nell'IoT che, mediante meccanismi intelligenti di selezione dei campioni e rilevamento degli spostamenti distributivi, ottimizza gli aggiornamenti del modello su dispositivi con risorse limitate in ambienti non stazionari.
Questo articolo stabilisce un legame preciso tra i modelli di "drifting" e quelli basati sul punteggio (score-based), dimostrando che il campo di spostamento medio con kernel Gaussiano coincide con la differenza dei punteggi su distribuzioni smussate e fornendo una decomposizione esatta e limiti di errore per kernel radiali generali, incluso il kernel Laplace.
Questo studio presenta un framework basato sull'apprendimento per rinforzo per ottimizzare autonomamente i programmi di pulizia dei pannelli fotovoltaici in regioni aride, dimostrando che l'algoritmo PPO riduce i costi fino al 13% rispetto ai metodi tradizionali adattandosi dinamicamente alle condizioni meteorologiche.
Il paper propone un framework di previsione conforme che preserva la privacy utilizzando l'intera base di dati senza ricorrere alla divisione del campione, sfruttando la stabilità garantita dalla privacy differenziale per controllare il divario tra punteggi interni ed esterni e ottenere set di previsione più precisi rispetto alle metodologie basate sulla split.
Il paper presenta FRONT, un nuovo framework che trasferisce la conoscenza fondamentale dei modelli pre-addestrati ("learngene") isolando le componenti a bassa frequenza dei pesi tramite la trasformata discreta del coseno, permettendo così un'inizializzazione efficiente e priva di addestramento per modelli di dimensioni arbitrarie con significativi miglioramenti nelle prestazioni e nell'efficienza computazionale.
Il paper propone un nuovo framework pre-addestrato basato sulle dinamiche neurali che supera i limiti dei metodi tradizionali per costruire reti funzionali cerebrali personalizzate, ottenendo prestazioni superiori in scenari eterogenei attraverso una parcellazione e una stima delle correlazioni adattive.
Il paper propone un approccio di modellazione surrogata basato su autoencoder convoluzionali e equazioni differenziali ordinarie neurali per generare previsioni spaziotemporali rapide e accurate dell'accensione di razzi indotta da laser, riducendo drasticamente i costi computazionali rispetto alle simulazioni fisiche tradizionali.
Il paper introduce Obliviator, un metodo di cancellazione concettuale post-hoc che protegge contro avversari non lineari catturando le dipendenze statistiche complesse e quantificando il compromesso tra utilità e sicurezza attraverso un approccio iterativo.
Il paper presenta DreamSAC, un framework che combina un'espansione esplorativa basata sulla simmetria e un modello del mondo hamiltoniano per apprendere leggi fisiche invarianti, permettendo così un'eccezionale generalizzazione estrattiva in simulazioni fisiche 3D.
Il paper presenta COOL-MC, uno strumento che verifica e spiega le politiche di apprendimento per rinforzo (RL) per la manutenzione di reti di ponti multipli, utilizzando il model checking probabilistico e l'analisi dell'interpretabilità per identificare violazioni di sicurezza e bias sistematici in un ambiente simulato.
Questo studio dimostra che un approccio incentrato sui dati, basato su una semplice architettura CNN-VAE e su un'attenta pre-elaborazione del dataset PTB-XL, raggiunge prestazioni competitive nella classificazione dell'ECG con un numero di parametri significativamente ridotto, sottolineando l'importanza delle strategie di bilanciamento delle classi rispetto alla complessità architetturale.
Il paper propone GRD-Net, un nuovo approccio basato su GAN e attenzione alle regioni di interesse per la rilevazione e localizzazione di anomalie superficiali in contesti industriali, che supera i limiti dei metodi tradizionali riducendo la dipendenza da algoritmi di post-processing e migliorando la generalizzazione su dataset reali e sintetici.
Questo studio dimostra che l'attacco di inferenza sulla membership LiRA, considerato lo stato dell'arte, risulta significativamente meno efficace in scenari realistici caratterizzati da modelli anti-overfitting, prior di membership sbilanciati e protocolli di valutazione rigorosi, suggerendo la necessità di rivedere le attuali pratiche di audit sulla privacy.
Il paper propone un nuovo solver neurale generativo che integra un modello di diffusione su grafo per apprendere i vincoli dei problemi di routing veicolare e generare una matrice di assegnazione, migliorando significativamente la robustezza e le prestazioni rispetto ai metodi autoregressivi esistenti su dataset diversificati.