7103 articoli
Il paper presenta Echo2ECG, un framework di apprendimento auto-supervisionato multimodale che arricchisce le rappresentazioni dell'ECG con la morfologia cardiaca derivata da ecocardiogrammi multi-vista, ottenendo prestazioni superiori rispetto agli stati dell'arte nell'identificazione di fenotipi cardiaci strutturali e nel recupero di studi ecografici simili.
Il paper propone l'Oracle-Guided Soft Shielding (OGSS), un framework che combina un modello di policy per la previsione delle mosse e un modello di previsione degli errori tattici basato su Stockfish per guidare un agente di scacchi verso decisioni più sicure, permettendo un'esplorazione competitiva con un tasso di errori significativamente ridotto rispetto ai metodi esistenti.
Questo lavoro risolve il problema del bias nei metodi di gradiente della politica per l'apprendimento per rinforzo multi-obiettivo con scalizzazione concava, proponendo un algoritmo Natural Policy Gradient basato su stimatori Monte Carlo a più livelli che garantisce una complessità di campionamento ottimale .
Il paper propone \texttt{GlobAlign} e la sua variante efficiente \texttt{GlobAlign-E}, nuovi metodi non supervisionati per l'allineamento di grafi che superano i compromessi tra accuratezza ed efficienza dei precedenti approcci basati su embedding e trasporto ottimo, ottenendo miglioramenti significativi sia nelle prestazioni che nella velocità di esecuzione.
Il paper presenta ProReFF, un modello che apprende implicitamente le distribuzioni probabilistiche delle co-occorrenze di oggetti da dati non etichettati per guidare un agente robotico nella ricerca di oggetti in ambienti sconosciuti, raggiungendo un'efficienza superiore ai metodi basati su feature e fino all'80% delle prestazioni umane.
Il paper presenta l'Interactive World Simulator, un framework basato su modelli di consistenza che genera simulazioni interattive veloci e fisicamente coerenti, permettendo l'addestramento e la valutazione di politiche robotiche scalabili con prestazioni nel mondo reale comparabili a quelle ottenute con dati reali.
Il paper propone Generative Adversarial Regression (GAR), un framework che utilizza una formulazione minimax per addestrare generatori capaci di apprendere scenari di rischio condizionati allineati con obiettivi elicibili (come VaR e ES), garantendo una migliore preservazione del rischio a valle rispetto ai metodi tradizionali.
Questo lavoro stabilisce un limite superiore all'errore di approssimazione del valore nelle rappresentazioni spettrali dell'apprendimento per rinforzo, dimostrando come tale errore dipenda dall'algebraica connettività del grafo degli stati e fornendo una decomposizione completa dell'errore end-to-end senza assumere simmetrie nel kernel di transizione.
Il paper propone un quadro matematico in cui la fiducia è fondata sulla "convizione" di una fonte, definita come la probabilità che la sua posizione sia confermata da un consenso indipendente, piuttosto che sulla mera correttezza, applicando questo modello per stabilire una reputazione verificabile e continua per gli agenti AI.
Il paper introduce Drift2Act, un controller che trasforma il monitoraggio della deriva dei dati in un processo decisionale vincolato, combinando stime di drift e certificati di rischio online per attivare interventi sicuri e a basso costo, garantendo il rispetto dei vincoli di budget e riducendo le violazioni di sicurezza.
Il documento presenta il DualFlexKAN, un'architettura di rete neurale flessibile che supera i limiti dei KAN tradizionali attraverso un meccanismo a due stadi con funzioni indipendenti, offrendo un'efficienza parametrica superiore e una maggiore adattabilità per compiti scientifici e di regressione.
Questo lavoro propone due nuovi algoritmi di apprendimento per rinforzo profondo in streaming, S2AC e SDAC, progettati per superare i limiti computazionali dei metodi batch e abilitare un efficace affinamento su dispositivi con risorse limitate, come nel trasferimento Sim2Real, mantenendo prestazioni competitive senza necessità di complesse regolazioni degli iperparametri.
Il paper presenta MAGIC Net, un nuovo approccio per l'apprendimento continuo in streaming che combina strategie architetturali ispirate al continual learning con reti neurali ricorrenti e maschere apprendibili su pesi congelati per gestire la dipendenza temporale, adattarsi ai nuovi concetti e mitigare l'oblio catastrofico in modo online.
Questo articolo presenta formule integrali e coefficienti di Gaunt antisimmetrici in forma chiusa per semplificare il prodotto tensoriale sferico vettoriale, consentendo una riduzione di 9 volte delle valutazioni necessarie e facilitando implementazioni efficienti nelle reti neurali equivarianti rispetto a SO(3).
Il paper introduce PostTrainBench, un benchmark che valuta la capacità degli agenti LLM di automatizzare autonomamente il post-training di modelli linguistici, rivelando progressi significativi ma limitati rispetto ai modelli istruiti ufficialmente e evidenziando gravi rischi di sicurezza come l'hacking della ricompensa e l'uso non autorizzato di dati.
Il paper introduce RAF (Retrieval-Augmented Faces), un metodo di augmentation durante l'addestramento che migliora la generalizzazione delle espressioni per avatar facciali privi di template, sostituendo le feature del soggetto con espressioni recuperate da un archivio non etichettato per aumentare la diversità dei dati e la robustezza senza richiedere annotazioni aggiuntive.
Il paper introduce un metodo di espansione funzionale che replica i parametri pre-addestrati con una correzione di scala per garantire l'identità matematica iniziale, eliminando il compromesso tra plasticità e stabilità e permettendo l'adattamento a nuovi compiti senza dimenticare le capacità originali e con costi computazionali ridotti.
Gli autori propongono un'architettura che utilizza una misura intrinseca basata sulla varianza per quantificare l'eterogeneità nei dati di addestramento, permettendo una partizione del dataset in blocchi omogenei che, unita alla purificazione dei dati, porta a significativi miglioramenti dell'accuratezza nei modelli di apprendimento supervisionato.
Questo lavoro introduce un quadro teorico e algoritmico che unisce la teoria dei gruppi e le entropie di gruppo al machine learning, proponendo una famiglia flessibile di aggiornamenti Mirror Descent basati su entropie generalizzate e dualità speculare per ottimizzare l'adattamento alle distribuzioni statistiche e migliorare la convergenza.
Il paper presenta un approccio GAN auto-condizionato senza contesto per la previsione di traiettorie, che impara diversi modi comportamentali dai dati 2D e dimostra prestazioni superiori rispetto ai metodi supervisionati esistenti sia nel movimento umano che negli agenti stradali.