4990 articoli
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.
Il paper introduce A-3PO, un metodo che accelera l'addestramento asincrono dei LLM sostituendo il calcolo esplicito della politica prossimale con un'approssimazione tramite interpolazione, ottenendo un speedup di 1,8 volte senza compromettere le prestazioni.
Il paper presenta DFIR-DETR, un rilevatore basato su transformer che risolve le sfide della rilevazione di oggetti piccoli in scene complesse attraverso l'aggregazione dinamica di caratteristiche, una piramide di funzionalità adattiva e un raffinamento iterativo nel dominio della frequenza, ottenendo prestazioni superiori con un'efficienza computazionale ridotta.
Il paper presenta un metodo di visualizzazione bidimensionale basato sulle deviazioni quadratiche medie (RMSD) e su un processo gaussiano per analizzare e validare i percorsi di reazione chimica, superando i limiti delle proiezioni energetiche tradizionali e permettendo il confronto diretto tra diverse ottimizzazioni strutturali.
Questo articolo presenta un framework che combina la selezione di sottoinsiemi submodulare con la stima dell'incertezza basata su gradienti per migliorare la robustezza e la fedeltà delle spiegazioni visive in scenari fuori distribuzione, senza richiedere addestramento aggiuntivo.
Questo articolo propone una nuova metrica di sensibilità globale basata sulle curve di aspettativa condizionata individuale (ICE) per superare i limiti dei Partial Dependence Plots nell'analisi delle interazioni tra variabili nei modelli di apprendimento automatico applicati al design ingegneristico, dimostrando la sua superiorità attraverso prove matematiche e valutazioni comparative su casi di studio aerospaziali.
Questo studio introduce un nuovo approccio basato su patch per l'analisi topologica dei dati (TDA) applicato alle immagini TC volumetriche, che supera i metodi tradizionali in termini di accuratezza diagnostica e tempi di calcolo, offrendo inoltre un pacchetto Python per facilitarne l'uso.
Il paper introduce Hyper++, un nuovo agente di reinforcement learning iperbolico che risolve le sfide di ottimizzazione attraverso regolarizzazione delle feature, una funzione di perdita categorica e un'architettura di rete ottimizzata, garantendo così una stabilità di apprendimento superiore e prestazioni migliori rispetto ai metodi esistenti su benchmark come ProcGen e Atari-5.
Il paper presenta CARE, un framework di post-training multimodale che trasforma gli errori in segnali di supervisione attraverso un obiettivo contrastivo ancorato e un campionamento guidato dalla riflessione, migliorando significativamente l'accuratezza e la stabilità dell'addestramento rispetto ai metodi esistenti.
Il paper presenta LLMTM, un benchmark completo per valutare e ottimizzare le prestazioni dei modelli linguistici nell'analisi dei motivi temporali nei grafi dinamici, proponendo un agente potenziato da strumenti e un dispatcher intelligente che bilancia accuratezza e costi computazionali.
Il paper propone MDENeRF, un framework iterativo che affina le stime di profondità monoculare fondendo un prior globale con dettagli geometrici ad alta frequenza e incertezze bayesiane estratte da Neural Radiance Fields (NeRF) per migliorare la comprensione della scena.