4717 articoli
Questo articolo presenta un confronto sistematico di quattro obiettivi di addestramento per il rilevamento di dati fuori distribuzione nella classificazione di immagini, rivelando che la Cross-Entropy Loss offre le prestazioni più coerenti sia per i dati vicini che lontani dalla distribuzione rispetto ad altre funzioni di perdita.
Il paper presenta TS-MLLM, un framework basato su un modello linguistico multilarge multimodale che integra segnali temporali, rappresentazioni visive in frequenza e conoscenze testuali per migliorare l'analisi e la previsione dei dati temporali industriali.
Questo lavoro presenta un framework semi-supervisionato di rilevamento delle anomalie basato su un'architettura generativa avversaria con autoencoder residuo, progettato per l'implementazione online su una linea industriale ad alta velocità Blow-Fill-Seal nel settore farmaceutico, garantendo alta accuratezza e rispetto dei vincoli temporali utilizzando esclusivamente campioni nominali per l'addestramento.
Questo articolo presenta un framework di generazione procedurale basato sull'analisi che produce il "Procedural Engine Sounds Dataset", un insieme di 19 ore di suoni di motori sintetizzati con annotazioni di controllo RPM e coppia a precisione campionaria, validato per supportare la ricerca nel campo della modellazione acustica e della sintesi neurale.
Il paper introduce StructAttack, un framework di jailbreak che sfrutta la capacità dei modelli visione-linguaggio di assemblare semanticamente blocchi visivi apparentemente benigni in prompt strutturati per generare output dannosi senza attivare i meccanismi di sicurezza.
Il paper propone DSS-GRPO, un metodo di apprendimento per rinforzo che scala la difficoltà e separa i segnali di apprendimento tra ragionamento e risposta per comprimere le tracce di Chain-of-Thought senza compromettere la qualità della soluzione finale.
Il paper presenta MetaSort, un nuovo algoritmo che integra compressione adattiva delle forme d'onda dei potenziali d'azione e classificazione few-shot tramite apprendimento meta-trasferito, dimostrando elevate prestazioni su dati in-vivo e promettendo un'implementazione on-chip a bassissimo consumo energetico.
Il paper introduce TT-Sparse, un modello neurale basato su tabelle di verità differenziabili e un nuovo operatore soft TopK che apprende regole sparse con prestazioni predittive superiori e complessità ridotta, permettendo l'estrazione esatta di formule booleane interpretabili.
Il paper presenta MAS-H2, un sistema multi-agente gerarchico per Kubernetes che risolve il problema del "vuoto strategico" nell'autoscaling cloud-native decomponendo la gestione delle risorse in livelli strategici, di pianificazione e di esecuzione, dimostrando sperimentalmente su GKE una riduzione significativa dello stress CPU e una migrazione a zero downtime rispetto agli strumenti nativi.
Il lavoro propone un nuovo framework di rappresentazione visiva implicita che codifica i segnali come funzioni parametriche di adattamenti a basso rango su modelli generativi congelati, permettendo una compressione video ad altissima efficienza e un controllo flessibile durante l'inferenza.
Il paper presenta SMAT, un metodo di training multi-agente a stadi che simula l'adattamento umano per sviluppare un controller per esoscheletri dell'anca capace di ridurre l'attivazione muscolare e fornire assistenza meccanica positiva in modo coerente su diversi soggetti senza necessità di riaddestramento specifico.
Questo articolo presenta un nuovo acceleratore basato sulla fotonica del silicio per i modelli di diffusione, che garantisce un'efficienza energetica tre volte superiore e un throughput 5,5 volte migliore rispetto alle soluzioni elettroniche attuali, affrontando così le sfide di sostenibilità nell'IA generativa.
Questo articolo presenta un quadro di apprendimento per rinforzo per il controllo degli esoscheletri che riduce i momenti articolari biologici e una pipeline di convalida quantitativa che dimostra un'elevata coerenza tra le simulazioni e i dati reali a livello di coppia, pur evidenziando le sfide rimanenti nel trasferimento sim-to-real.
Il paper presenta HELIX, un framework di apprendimento per rinforzo evolutivo gerarchico che combina in-context learning e affinamento iterativo della politica per superare le limitazioni dei modelli esistenti nella risoluzione di problemi scientifici aperti, ottenendo risultati all'avanguardia nel packing di cerchi e migliorando le prestazioni su benchmark di machine learning.
Il paper presenta una pipeline di generazione di dati sintetici basata su un Digital Twin dell'Aeroporto Internazionale di Algeri che, combinata con una ridotta quantità di annotazioni reali, permette di addestrare modelli di rilevamento dei carrelli bagagli con prestazioni pari o superiori all'uso esclusivo di dati reali, riducendo al contempo lo sforzo di annotazione del 25-35%.
Il paper propone FedCEF, un nuovo algoritmo di apprendimento federato che combina aggiornamenti prossimali disaccoppiati e un meccanismo di feedback dell'errore per ottimizzare problemi non convessi compositi su dati eterogenei, garantendo convergenza e alta efficienza comunicativa anche con compressioni estreme.
Questa revisione critica esamina i metodi numerici classici e quelli basati sull'apprendimento automatico per la risoluzione delle equazioni alle derivate parziali, evidenziando le loro distinzioni epistemologiche, identificando tre aree di complementarità e proponendo principi per la progettazione di metodi ibridi che integrino i vantaggi di entrambi gli approcci.
Questo articolo propone un quadro teorico unificato per quantificare le relazioni tra diverse metriche di valutazione, colmando il divario tra i risultati offline e online attraverso l'analisi della struttura asimmetrica del trasferimento di rimpianto.
Questa tesi dimostra che l'adozione di tecniche microarchitettoniche guidate dai dati e dall'apprendimento automatico, che sfruttano le caratteristiche semantiche delle applicazioni e i comportamenti di esecuzione osservati, supera efficacemente i colli di bottiglia della memoria, migliorando significativamente le prestazioni e l'efficienza energetica rispetto alle soluzioni tradizionali.
Questo documento presenta Megatron Core, un framework open-source che risolve le sfide del training scalabile dei modelli Mixture-of-Experts attraverso ottimizzazioni integrate per memoria, comunicazione e calcolo, consentendo addestramenti ad alte prestazioni su cluster di migliaia di GPU.