4918 articoli
Il paper presenta BInD, un modello di diffusione basato sulla conoscenza che genera simultaneamente molecole e le loro interazioni con proteine target per superare i limiti degli approcci esistenti nel bilanciare obiettivi multipli nel design di farmaci strutturale.
Questo articolo presenta un innovativo pipeline di apprendimento attivo a due stadi per il riconoscimento automatico del parlato che combina il clustering degli x-vector per la diversità dei campioni e un metodo bayesiano basato sul dropout Monte Carlo per l'incertezza, ottimizzando significativamente l'efficienza del labeling e le prestazioni del modello.
Questo lavoro offre una revisione completa e una specifica formale dettagliata delle reti di codifica predittiva, presentandole come un quadro neurale ispirato e biologicamente plausibile che supera i limiti della retropropagazione tradizionale e si posiziona come una soluzione promettente per l'innovazione futura nel machine learning.
Il paper sostiene che i Large Language Models, pur non possedendo un'agenzia autonoma secondo le teorie della mente incarnata a causa della mancanza di individualità, normatività e asimmetria interazionale, agiscono come interlocutori linguistici che, attraverso un'incarnazione testuale e computazionale, trasformano radicalmente l'agenzia umana generando forme ibride di "agenzia di mezzo".
Il paper presenta PACE, un metodo di fine-tuning efficiente nei parametri che combina regolarizzazione della consistenza con perturbazioni moltiplicative per ridurre le norme dei gradienti e allineare i modelli, migliorando così la generalizzazione su diversi compiti visivi e testuali rispetto alle tecniche esistenti.
Il paper introduce FALCON, un approccio di preaddestramento auto-supervisionato unificato per il riconoscimento delle azioni dei droni che, integrando la mascheratura orientata agli oggetti e la ricostruzione futura a doppio orizzonte, risolve lo squilibrio spaziale tipico dei video aerei migliorando significativamente l'accuratezza e riducendo i tempi di inferenza rispetto ai metodi supervisionati.
Questo studio propone un metodo di ricostruzione dei dati sismici basato sull'apprendimento auto-supervisionato e sulla coerenza interna, che utilizza una rete leggera priva di dataset esterni per ottenere ricostruzioni di alta qualità in condizioni di acquisizione irregolare.
Il paper presenta Ditto, un framework di sintesi di teste parlanti basato su diffusione che, attraverso l'ottimizzazione dell'architettura e l'uso di segnali condizionali diversificati, risolve i problemi di velocità e controllo dei modelli esistenti, consentendo un'inferenza in tempo reale con movimenti e espressioni facciali altamente controllabili.
Questo lavoro propone varianti sparse delle macchine a vettori di supporto quadratiche (QSVM) basate sulla regolarizzazione per migliorare l'interpretabilità e la generalizzazione, sviluppando un algoritmo di decomposizione della penalità che garantisce condizioni di ottimalità e dimostrando l'efficacia del metodo attraverso esperimenti numerici su dataset pubblici e reali.
Questo sondaggio offre una panoramica strutturata delle tecniche, dei dataset e delle sfide etiche legate all'uso dei modelli linguistici su larga scala per assistere i ricercatori in tutte le fasi del ciclo di vita scientifico, dalla scoperta alla valutazione.
Il paper introduce FragFM, un nuovo framework gerarchico basato sul flow matching discreto a livello di frammenti che, grazie a un autoencoder da grossolano a fine e a una strategia stocastica, genera molecole in modo efficiente e scalabile con un migliore controllo delle proprietà, validato anche su un nuovo benchmark per prodotti naturali chiamato NPGen.
Il paper introduce SysDPO, un framework che estende l'ottimizzazione diretta delle preferenze (DPO) per allineare i sistemi di intelligenza artificiale composti a livello di sistema, superando le sfide poste dalle interazioni non differenziabili e dalle preferenze non direttamente trasformabili a livello di componente.
Questo studio esamina la robustezza avversaria dei classificatori quantistici partizionati, dimostrando che le perturbazioni mirate alle tecniche di suddivisione dei circuiti (come il taglio dei fili o la teletrasmissione) sono equivalenti all'implementazione di porte avversarie negli strati intermedi e analizzando tale fenomeno sia teoricamente che sperimentalmente.
Il paper introduce CAPS, un metodo innovativo che utilizza VQ-VAE per raggruppare i dati in cluster e applicare un campionamento prioritario contestuale, migliorando significativamente l'efficienza dei dati, la generalizzazione e le prestazioni di guida autonoma in scenari complessi.
Questo studio controllato rivela che, sebbene i modelli linguistici di grandi dimensioni (LLM) mostrino una certa promessa per le previsioni delle serie temporali, le loro prestazioni rimangono limitate e non superano costantemente quelle di modelli specificamente addestrati su grandi dataset temporali, specialmente quando si utilizzano coppie di tokenizzatori e detokenizzatori non distorti ottenuti tramite pre-addestramento su larga scala.
Questo studio adotta un approccio centrato sulle vittime per analizzare come l'attuale governance sociotecnica dell'IA fallisca nel regolamentare l'"ecosistema tecnico malevolo" di modelli open-source e software che facilitano la creazione di immagini intime non consensuali generate dall'IA, evidenziando le carenze delle pratiche di governance attuali.
Questo articolo offre una panoramica completa dell'Apprendimento Federato, esaminandone l'architettura, le sfide tecniche come l'eterogeneità dei dati e la privacy, le applicazioni pratiche e le future direzioni di ricerca per sistemi collaborativi decentralizzati.
Il documento presenta FourierSpecNet, un framework ibrido che combina il metodo spettrale di Fourier con l'apprendimento profondo per approssimare efficientemente l'operatore di collisione nell'equazione di Boltzner, garantendo accuratezza, convergenza e una significativa riduzione dei costi computazionali sia per collisioni elastiche che anelastiche.
Questo articolo propone un'architettura innovativa di Rete Neurale su Grafo Eterogeneo (HGNN) che, sfruttando un apprendimento multi-task e livelli di potatura del grafo, migliora in modo scalabile la ricostruzione degli eventi di collisione e l'associazione dei vertici di particelle in un ambiente simile all'esperimento LHCb.
Il paper introduce i Reasoning Reward Models (ReasRMs), in particolare la famiglia RM-R1, che trasformano la modellazione delle ricompense in un compito di ragionamento tramite un meccanismo di "catena di rubriche" e un addestramento su due fasi, ottenendo prestazioni superiori rispetto a modelli proprietari e open-weight più grandi su diversi benchmark.