6868 articoli
Questo articolo presenta un metodo innovativo per l'ottimizzazione di traiettorie robuste senza assunzioni distributive su sistemi stocastici non lineari e non gaussiani, utilizzando l'inferenza conforme per garantire il rispetto dei vincoli probabilistici attraverso la riformulazione in vincoli deterministici statisticamente validi.
Il paper presenta metodi di "engression" spaziotemporale profonda per generare previsioni probabilistiche affidabili sulle epidemie, quantificando l'incertezza endogenamente e superando i modelli esistenti su diversi dataset epidemiologici.
Il paper propone DualAdam, un nuovo ottimizzatore che combina i meccanismi di aggiornamento di Adam e della sua variante inversa (InvAdam) per garantire la convergenza e migliorare la generalizzazione dei modelli di deep learning, aiutandoli a evitare minimi acuti a favore di minimi piatti.
Il paper presenta un framework di apprendimento per rinforzo offline che utilizza la pianificazione agenziale con ragionamento esplicito e strumenti compositivi per migliorare l'editing di immagini complesso rispetto ai metodi basati su prompt diretti, supportato da nuovi dataset sintetici e valutato su modelli Qwen3-VL.
Il paper presenta un metodo teorico ed empirico che migliora le prestazioni dei transformer regolando le proprietà spettrali dei blocchi di attenzione per ridurre il numero di condizione del Jacobiano, offrendo una soluzione semplice e integrabile in diverse architetture.
Questo articolo presenta MSKernelBench, un benchmark completo per scenari multipli, e CUDAMaster, un sistema multi-agente hardware-consapevole che ottimizza automaticamente i kernel CUDA, ottenendo accelerazioni significative che superano di circa il 35% le soluzioni esistenti e competono con librerie proprietarie come cuBLAS.
Il paper propone SPCP, un metodo che migliora il rilevamento di dati fuori distribuzione (OOD) incoraggiando i classificatori a basarsi su pattern di contributo dei parametri più densi e orientati ai confini, riducendo così la sovrastima della confidenza tipica dei modelli profondi.
Il paper presenta un surrogato basato su una rete neurale grafica spaziotemporale a doppio grafo che, superando i limiti delle rappresentazioni nodali per le variabili interne, predice in modo efficiente e accurato le risposte non lineari di travi in cemento armato sotto flessione a quattro punti, consentendo valutazioni parametriche a costi computazionali ridotti rispetto alle simulazioni agli elementi finiti.
Il paper propone wDPO, un metodo di allineamento robusto per i grandi modelli linguistici che utilizza una strategia di winsorizzazione gerarchica per identificare e correggere selettivamente diversi tipi di rumore nei dati di preferenza, migliorando così la qualità e la robustezza dell'allineamento rispetto alle tecniche DPO esistenti.
Questo studio presenta un sistema automatizzato basato su sensori acustici indossabili e modelli di intelligenza artificiale per la segmentazione e classificazione dei suoni intestinali, che riduce il tempo di annotazione manuale del 70% e offre agli clinici uno strumento diagnostico oggettivo e quantitativo con un'accuratezza superiore al 96%.
Questo lavoro dimostra che l'apprendibilità basata sul margine in spazi metrici arbitrari dipende esclusivamente dalla disuguaglianza triangolare al di sopra di una soglia universale, e che tale fenomeno non è riducibile a una classificazione lineare in spazi di Banach, dove la complessità del campione scala polinomialmente con l'inverso del margine.
Questo studio introduce i dataset ODA-Fin-SFT-318k e ODA-Fin-RL-12k, ottenuti tramite distillazione e selezione basata sulla difficoltà, per addestrare modelli linguistici finanziari che superano lo stato dell'arte grazie a una maggiore qualità dei dati e a una migliore capacità di ragionamento numerico.
Il paper presenta LightMedSeg, un'architettura di segmentazione medica 3D leggera e modulare che, integrando priors anatomici e meccanismi di routing adattivo, raggiunge prestazioni competitive con i modelli transformer pur richiedendo parametri e risorse computazionali drasticamente inferiori.
Questo articolo propone un metodo avanzato di regressione rango-rango condizionata basato su modelli di trasformazione profonda (DCTM) per misurare la mobilità intergenerazionale, offrendo stime più robuste e interpretabili rispetto alle tecniche tradizionali in scenari non lineari e con variabili discrete, come dimostrato da applicazioni empiriche su reddito negli USA e mobilità educativa in India.
Il paper presenta PT-RAG, un nuovo framework di generazione aumentata dal recupero che utilizza un processo di recupero differenziabile e consapevole del tipo cellulare per superare i limiti di generalizzazione dei modelli esistenti nella previsione delle risposte cellulari alle perturbazioni genetiche.
Il paper propone WeDas, un framework che migliora gli agenti di ricerca profonda adattando le query alle strutture di indicizzazione del web attraverso un meccanismo di sonda few-shot per allineare l'intento dell'agente ai risultati di recupero.
Questo studio presenta LF2L, un framework di apprendimento federato orizzontale che fonde le funzioni di perdita per integrare in modo efficace e sicuro dati eterogenei provenienti da fonti diverse (come SEER e ospedali taiwanesi), migliorando significativamente la previsione dei secondi tumori primari nei sopravvissuti al cancro al polmone senza compromettere la privacy.
Il paper propone due nuovi metodi di apprendimento simbolico, SyNF e SyTF, che generano equazioni algebriche interpretabili per prevedere serie temporali caotiche con accuratezza competitiva rispetto ai modelli deep learning, offrendo al contempo una trasparenza scientifica fondamentale per comprendere le dinamiche sottostanti.
Questo articolo propone un quadro di prenotazione adattivo per le cliniche ambulatoriali che integra la previsione individualizzata del mancato appuntamento con un apprendimento per rinforzo multi-obiettivo, al fine di ottimizzare dinamicamente le decisioni di singola o doppia prenotazione e ridurre i tempi di attesa.
Il paper presenta le Variational Flow Maps, un framework che risolve il problema della generazione condizionata in un singolo passo per i modelli di flusso, trasformando la condizione da una guida del percorso di campionamento all'apprendimento di un adattatore di rumore iniziale che garantisce la coerenza con le osservazioni e le distribuzioni dei dati.