2128 articoli
Questo studio propone un quadro unificato per valutare come la personalizzazione dei modelli di machine learning influenzi simultaneamente previsioni e spiegazioni, rivelando che tali impatti possono divergere e fornendo limiti teorici per determinare la fattibilità statistica di rilevare tali effetti in contesti reali ad alto rischio.
Il paper introduce il concetto di "firma spaziale" per mappare i punti dati in uno spazio geometrico che semplifica l'analisi della robustezza delle valutazioni basate sui semivalori rispetto alle variazioni della funzione di utilità, proponendo una metrica pratica per quantificare tale stabilità.
Il paper presenta un framework end-to-end che utilizza l'inferenza senza verosimiglianza per stimare le distribuzioni posteriori dei parametri fisici degli oggetti deformabili lineari (DLO), permettendo l'addestramento in simulazione di politiche visuomotorie specifiche per oggetto che vengono poi deployate con successo nel mondo reale in modalità zero-shot.
Il paper introduce il metodo Feature Importance Rescaling (FIR), una tecnica teoricamente fondata che migliora l'affidabilità della valutazione della qualità del clustering in presenza di rumore e feature irrilevanti, aumentando la correlazione tra gli indici di validità e la verità fondamentale.
Il paper introduce HyConEx, un classificatore basato su hypernetwork progettato per dati tabulari che combina previsioni accurate e spiegazioni locali sotto forma di esempi controfattuali in un'unica rete neurale.
Questo studio presenta formulazioni di programmazione lineare intera mista per costruire alberi modello globalmente ottimali con macchine a vettori di supporto lineari nelle foglie, dimostrando che tali alberi raggiungono un'accuratezza competitiva con strutture molto più compatte rispetto agli algoritmi greedy e ad altri metodi standard.
Questo articolo propone una critica consequenzialista alle pratiche di valutazione della classificazione binaria, sostenendo l'adozione di regole di scoring adeguate come il punteggio Brier attraverso un nuovo framework decisionale e il pacchetto Python `briertools`, che colmano il divario tra teoria e pratica dominata da metriche a soglia fissa.
Il paper introduce CDGLT, un framework efficiente e all'avanguardia per l'identificazione di metafore multimodali che combina l'adattamento del LayerNorm con una strategia di "Concept Drift" basata su SLERP per colmare il divario tra significati letterali e figurativi riducendo drasticamente i costi computazionali.
Il paper introduce SGPO, un framework che risolve il limite di GRPO di non aggiornare la politica quando tutti i campioni di un gruppo sono errati, migliorando l'apprendimento per rinforzo nei modelli linguistici attraverso una diversificazione guidata da un modello giudice passo-passo che permette di apprendere anche dagli errori senza richiedere soluzioni corrette.
Il documento introduce la GM-RBM, un modello generativo che estende l'RBG a unità nascoste categoriche q-ali (Potts) per migliorare la rappresentazione di concetti multivalore e le prestazioni di inferenza discreta rispetto alle controparti binarie a capacità equivalente.
Il paper propone JULI, un nuovo metodo che sfrutta l'introspezione delle probabilità dei token tramite un piccolo blocco BiasNet per aggirare le misure di sicurezza dei modelli linguistici di grandi dimensioni in un contesto black-box, superando le tecniche esistenti senza richiedere l'accesso ai pesi del modello.
Questo lavoro introduce un metodo innovativo per la scoperta di equazioni differenziali simboliche che utilizza invarianti di simmetria come entità atomiche, garantendo che le leggi dinamiche identificate rispettino i principi fisici e migliorando l'efficienza e l'accuratezza delle tecniche esistenti.
Il paper presenta UltraEdit, un metodo innovativo per l'editing continuo dei modelli linguistici che, eliminando la necessità di addestramento, soggetti specifici o memoria esterna, raggiunge velocità e efficienza superiori rispetto agli stati dell'arte, permettendo di eseguire fino a 2 milioni di modifiche su modelli da 7B con risorse hardware limitate.
Questo studio presenta una metodologia sistematica per valutare i modelli linguistici su dispositivi edge, dimostrando che i modelli grandi fortemente quantizzati superano quelli più piccoli ad alta precisione al di sotto di una soglia di circa 3,5 bit per peso, fornendo linee guida per ottimizzare capacità ed efficienza in ambienti con risorse limitate.
Il paper presenta SATURN, un framework di apprendimento per rinforzo basato su problemi di soddisfacibilità booleana (SAT) che supera le limitazioni di scalabilità, verificabilità e controllo della difficoltà delle attività esistenti, permettendo di potenziare significativamente le capacità di ragionamento dei modelli linguistici su compiti matematici e di programmazione attraverso un curriculum learning progressivo.
Il paper presenta FrontierCO, un benchmark su larga scala che valuta le prestazioni dei solver di ottimizzazione combinatoria basati su machine learning su dati reali e di dimensioni estreme, rivelando un divario significativo rispetto ai solver classici ma anche casi di superiorità in scenari specifici.
Il paper propone SemiCP, un nuovo paradigma di previsione conformale semi-supervisionato che utilizza un punteggio di non-conformità basato sull'abbinamento dei vicini più prossimi (NNM) per sfruttare dati non etichettati durante la calibrazione, riducendo significativamente il divario di copertura rispetto ai metodi tradizionali quando i dati etichettati sono scarsi.
Questo articolo affronta i problemi di esplorazione pura con risposte infinite, derivando un limite inferiore dipendente dall'istanza, spiegando il fallimento dei metodi esistenti per l'ottimalità asintotica e proponendo un nuovo quadro generale, "Sticky-Sequence Track-and-Stop", che garantisce tale ottimalità.
Il paper propone TSRating, un framework unificato che sfrutta il giudizio dei modelli linguistici su larga scala (LLM) e l'apprendimento meta per valutare in modo efficiente e adattabile la qualità di serie temporali provenienti da domini diversi, superando i limiti delle metodologie esistenti.
Il lavoro propone CORA, un metodo di assegnazione del credito per l'apprendimento per rinforzo multi-agente cooperativo che utilizza il nucleo della teoria dei giochi cooperativi e il campionamento casuale delle coalizioni per allocare in modo più efficace i vantaggi globali e promuovere comportamenti coordinati ottimali.