4966 articoli
Questo articolo presenta il GPHDM, un nuovo approccio che genera movimenti robotici fisicamente coerenti e strutturati gerarchicamente apprendendo rappresentazioni latenti su varietà iperboliche che integrano le dinamiche temporali con le tassonomie dei movimenti.
Questo articolo introduce il Planner Aware Path Learning (PAPL), un nuovo metodo di addestramento per i modelli di linguaggio a diffusione che risolve la discrepanza tra l'inferenza pianificata e l'addestramento standard derivando un nuovo limite inferiore della verosimiglianza (P-ELBO) che allinea dinamicamente i processi di training e inferenza, ottenendo significativi miglioramenti nella generazione di proteine, testo e codice.
Il paper introduce DAV, un nuovo framework che formula l'allineamento dei modelli di diffusione come un processo iterativo di Massimizzazione Aspettazione-Variational (EM) con fasi di ricerca a tempo di test e affinamento del modello, ottimizzando le ricompense mantenendo la diversità sia per compiti continui che discreti.
Questo lavoro propone un algoritmo a due stadi basato su bandit a matrice a basso rango per minimizzare la polarizzazione e il disaccordo nel modello di dinamica delle opinioni di Friedkin-Johnsen in un contesto online dove le opinioni innate sono sconosciute e devono essere apprese attraverso osservazioni sequenziali.
Il paper presenta le "Self-Speculative Masked Diffusions", un nuovo modello generativo per dati discreti che riduce il carico computazionale di circa il 50% rispetto ai modelli standard, generando distribuzioni predittive non fattorizzate in un singolo passaggio tramite un meccanismo di campionamento speculativo integrato.
Il paper propone TCR-EML, un modello spiegabile per la previsione del legame TCR-pMHC che integra strati prototipici basati su meccanismi biochimici noti nei backbone dei modelli linguistici proteici, ottenendo accuratezza competitiva e spiegabilità superiore rispetto ai metodi esistenti.
Questo articolo dimostra che, sebbene i modelli linguistici decoder-only siano inizialmente inferiori agli encoder-only nell'adattamento cross-modale per le equazioni differenziali parziali, l'introduzione di due nuove tecniche che mimano la bidirezionalità (Parallel Flipping e Sequence Doubling) permette di colmare il divario di prestazioni.
Lo studio dimostra che il micro-benchmarking dei modelli linguistici è spesso inaffidabile per il ranking di modelli con prestazioni simili, rivelando che sono necessari fino a 250 esempi per ottenere risultati consistenti e che, a quel punto, il campionamento casuale risulta competitivo rispetto ai metodi esistenti.
Il paper introduce CanvasMAR, un modello autoregressivo per la previsione video che migliora la qualità e la coerenza della generazione con pochi passi di campionamento, integrando un "canvas" come prior globale strutturato, un curriculum di campionamento da facile a difficile basato sul movimento e una guida classificatore composita.
Questo studio dimostra che l'iniezione di informazioni tramite un verificatore esterno di dati sintetici può prevenire il collasso del modello e migliorare le prestazioni a breve termine, guidando tuttavia i parametri verso il "centro di conoscenza" del verificatore nel lungo periodo.
Il paper propone un nuovo metodo di raggiungibilità basato su intervalli che sfrutta la monotonia mista per fornire sovrastime efficienti e scalabili degli insiemi raggiungibili delle Neural ODE, offrendo un compromesso tra precisione e velocità ideale per applicazioni in tempo reale e ad alta dimensionalità.
Questo articolo presenta un framework online che utilizza una variante della decomposizione modale dinamica di Hankel con finestre scorrevoli per denoisare e prevedere in tempo reale le dinamiche di agenti ostacolo, permettendo una pianificazione del movimento robotico più sicura e adattiva.
Il paper introduce KLASS, un metodo di campionamento adattivo che accelera significativamente l'inferenza nei modelli di diffusione mascherata sfruttando la divergenza KL a livello di token per generare più token per iterazione senza compromettere la qualità, ottenendo risultati all'avanguardia su benchmark di ragionamento e in diversi domini.
Il paper propone il CADM, un metodo innovativo per il clustering di dati categorici e misti che utilizza una metrica di distanza adattiva e personalizzata per ciascun cluster, aggiornando dinamicamente le distanze in base alle diverse distribuzioni degli attributi e ottenendo prestazioni superiori su quattordici dataset.
Il paper introduce FireScope, un framework basato su modelli visivo-linguistici che integra ragionamento causale e dati multimodali per generare mappe di rischio incendi ad alta risoluzione con elevata generalizzazione transcontinentale e interpretabilità.
Il paper presenta EgoCogNav, un framework di navigazione egocentrica multimodale che integra fattori cognitivi e un nuovo dataset reale per prevedere l'incertezza percepita e anticipare comportamenti umani come l'esplorazione e l'esitazione in ambienti non visti.
Il paper propone SPINE, un framework di apprendimento per rinforzo a test-time che seleziona e aggiorna solo i token critici ad alta entropia nelle catene di pensiero, risolvendo il collasso delle risposte tipico dei metodi precedenti e migliorando le prestazioni senza bisogno di etichette o modelli di reward.
Il paper introduce DAISI, un algoritmo di assimilazione dei dati scalabile basato su modelli generativi a flusso che, sfruttando un prior pre-addestrato e un'inversione di campionamento, supera le limitazioni delle approssimazioni gaussiane nei sistemi dinamici complessi e non lineari.
Il paper propone SQDF, un metodo di fine-tuning per modelli di diffusione che utilizza un gradiente di politica reparametrizzato basato su una stima della funzione Soft Q per allineare i modelli agli obiettivi di reward senza compromettere la diversità e la naturalità dei campioni generati.
Questo lavoro propone un metodo basato sulla divergenza per allineare i modelli linguistici a una distribuzione target ottenuta filtrando le risposte errate, permettendo di controllare esplicitamente il compromesso tra precisione e diversità e superando gli approcci precedenti nel benchmark di dimostrazione di teoremi Lean.