6515 articoli
Il paper introduce i "Mercer priors", una nuova classe di prior per le reti neurali bayesiane derivata dalla rappresentazione di Mercer dei kernel di covarianza, che permettono di approssimare i processi gaussiani mantenendo la scalabilità delle reti neurali e garantendo una quantificazione dell'incertezza interpretabile.
Il paper propone PESO, un metodo di adattamento continuo basato su LoRA che utilizza un regolarizzatore prossimale per bilanciare efficacemente l'adattamento ai nuovi comportamenti degli utenti e la preservazione delle conoscenze recenti nei sistemi di raccomandazione generativa basati su LLM, superando i limiti delle tecniche esistenti.
Questo studio confronta l'approccio interpretabile ANFIS-FBCSP-PSO con il modello deep learning EEGNet per la classificazione dell'immaginazione motoria, rivelando che il primo offre prestazioni superiori in contesti intra-soggetto mentre il secondo garantisce una migliore generalizzazione tra soggetti diversi, fornendo così linee guida pratiche per la selezione dei sistemi BCI in base agli obiettivi di interpretabilità o robustezza.
Questo lavoro introduce il sistema Networked Mixture-of-Experts (NMoE) per il mobile edge computing, che combina inferenza collaborativa tra dispositivi vicini e un framework di apprendimento federato ibrido (supervisionato e auto-supervisionato) per superare le limitazioni computazionali e di dati nell'addestramento di grandi modelli di intelligenza artificiale, garantendo al contempo efficienza nelle comunicazioni e privacy.
Il paper introduce FATE, una nuova serie di benchmark formali in algebra che copre difficoltà fino al livello di ricerca avanzata, rivelando che gli attuali modelli LLM faticano enormemente a formalizzare il ragionamento matematico, ottenendo prestazioni quasi nulle rispetto ai risultati nei concorsi matematici tradizionali.
Il paper presenta Jr. AI Scientist, un sistema autonomo che emula il flusso di lavoro di un ricercatore junior per generare contributi scientifici validi partendo da lavori esistenti, valutandone al contempo le prestazioni e i rischi attraverso revisioni automatizzate e umane.
Il paper propone DR-SPCRL, un metodo di apprendimento per rinforzo che supera i compromessi tra prestazioni e robustezza ottimizzando dinamicamente il budget di robustezza attraverso un curricolo adattivo, ottenendo risultati superiori rispetto alle strategie fisse o euristiche.
Questo articolo presenta un nuovo framework di apprendimento contrastivo su grafi privo di aumentazioni, che sfrutta le dinamiche di diffusione neurale di ordine frazionario per generare automaticamente una gamma continua di rappresentazioni multi-scala adattive, superando così i limiti dei metodi basati su viste fisse e ottenendo prestazioni superiori rispetto allo stato dell'arte.
Questo paper propone un miglioramento per i Conditional VAE nell'ambito della generazione di immagini, superando i limiti dei modelli tradizionali attraverso l'uso di trasformazioni Non-Volume Preserving (NVP) per modellare più accuratamente la distribuzione latente condizionata, ottenendo così una riduzione del FID del 4% e un aumento della verosimiglianza logaritmica del 7,6%.
Il paper propone un metodo di propagazione dei limiti lineari che calcola con precisione i vincoli sull'inviluppo convesso degli attacchi , migliorando significativamente l'efficienza e la precisione della certificazione della robustezza rispetto agli approcci esistenti.
Questo lavoro propone un nuovo metodo di attacco avversario per le reti iperboliche, denominato "Angular Gradient Sign", che sfrutta le proprietà geometriche dello spazio iperbolico applicando perturbazioni esclusivamente nella direzione angolare per ottenere tassi di inganno superiori rispetto alle tecniche tradizionali.
Questo lavoro introduce un quadro probabilistico realistico basato sulla nozione di "(k, ε)-instabile" per fornire garanzie di sicurezza più affidabili e pratiche contro gli attacchi di jailbreaking, superando le limitazioni dell'assunzione "k-instabile" rigida del metodo di difesa SmoothLLM.
Questo articolo presenta una pipeline automatizzata per generare dataset su larga scala di jailbreak conversazionali basati sul principio psicologico del "piede nella porta", rivelando attraverso un benchmark di 1.500 scenari che la robustezza dei modelli LLM varia drasticamente, con la famiglia GPT particolarmente vulnerabile al contesto conversazionale mentre Gemini 2.5 Flash dimostra un'eccezionale resilienza.
Il paper propone un metodo di regolarizzazione nello spazio latente che, identificando gli assi correlati alle scorciatoie in uno spazio disaccoppiato e iniettando rumore anisotropo mirato, impone un'invarianza funzionale per migliorare la generalizzazione fuori distribuzione senza richiedere etichette di scorciatoia o esempi conflittuali.
Questo studio dimostra che la soluzione di problemi offline tramite un concorso Kaggle ha permesso di sviluppare parametrizzazioni ibride fisica-ML stabili e all'avanguardia per le simulazioni climatiche, superando le tradizionali sfide di instabilità online.
Il paper introduce CRAwDAD, un framework di dibattito tra due agenti che migliora significativamente l'accuratezza del ragionamento causale nei modelli linguistici avanzati, come dimostrato dai risultati sul dataset CLadder.
Questo studio presenta ForamDeepSlice, un framework di deep learning ad alta precisione che utilizza un ensemble di reti neurali convoluzionali per classificare automaticamente le specie di foraminiferi da fette 2D micro-CT, raggiungendo un'accuratezza del 95,64% e fornendo una dashboard interattiva per l'identificazione micropaleontologica assistita dall'IA.
Il paper introduce AltNet, un metodo basato su reti gemelle che risolve il dilemma plasticità-stabilità nell'apprendimento per rinforzo ripristinando la capacità di apprendimento tramite reset periodici senza causare cali temporanei delle prestazioni, garantendo così maggiore efficienza e sicurezza in ambienti critici.
Il paper introduce MSPT, un'architettura Transformer multi-scala che combina l'attenzione locale e globale per simulare efficientemente fenomeni fisici su larga scala con milioni di elementi su una singola GPU, ottenendo prestazioni all'avanguardia con un ridotto consumo di risorse.
Il paper propone il "Dual Randomized Smoothing", un nuovo framework che supera i limiti della varianza di rumore globale utilizzando una varianza dipendente dall'input per ottenere prestazioni certificate robuste sia a piccoli che a grandi raggi, superando significativamente i metodi precedenti su CIFAR-10 e ImageNet.