2316 articoli
Il paper presenta Graph-GRPO, un framework di apprendimento per rinforzo online che addestra modelli di flusso grafico tramite una formula analitica per le probabilità di transizione e una strategia di raffinamento locale, ottenendo prestazioni all'avanguardia nella generazione di grafi e nell'ottimizzazione molecolare.
Questo studio analizza le dinamiche di apprendimento delle reti lineari a due strati addestrate con SGD rumoroso sulle etichette, rivelando un comportamento in due fasi che spinge il modello dalla regione "lazy" a quella "ricca" e ne spiega il successo empirico nel migliorare la generalizzazione.
Questo articolo presenta PP-LUCB, un algoritmo che ottimizza la progettazione dei sistemi di servizio identificando la configurazione migliore con alta confidenza e riducendo i costi di audit umano, combinando valutazioni economiche ma distorte di modelli linguistici con verifiche mirate basate su prove testuali.
Il paper presenta STemDist, il primo metodo di distillazione dei dati progettato specificamente per le previsioni spaziotemporali, che comprime in modo bilanciato le dimensioni spaziali e temporali a livello di cluster per ridurre drasticamente tempi e risorse di addestramento mantenendo un'elevata accuratezza predittiva.
Il paper propone un nuovo framework di apprendimento adattivo per gli indicatori di salute che combina un campionamento sincronizzato delle fasi di degradazione e un autoencoder a fusione incrociata con kernel grandi per superare le discrepanze distributive e catturare dipendenze temporali a lungo termine, ottenendo risultati superiori su dataset industriali reali.
Il paper propone WiGS, un metodo di apprendimento attivo per la regressione che utilizza l'apprendimento per rinforzo per adattare dinamicamente il criterio di selezione dei campioni, superando le limitazioni dei metodi statici e migliorando l'efficienza e l'accuratezza su dataset con densità irregolare.
Il paper introduce i Generalized Gaussian Mixture Processes (GGMP), un metodo basato sui Gaussian Process che combina l'adattamento locale di miscele gaussiane e l'allineamento dei componenti per stimare densità condizionali multimodali ed eteroschedastiche in modo efficiente e scalabile.
Il paper dimostra che la rimozione della componente di bias medio, che guida l'instabilità numerica nella formazione di modelli linguistici a bassa precisione, ripristina la stabilità e le prestazioni con un costo computazionale minimo rispetto ai metodi basati su SVD.
Il paper propone un metodo di unlearning basato su surrogati per rimuovere selettivamente output indesiderati ma non descrivibili tramite prompt (come volti specifici o rappresentazioni culturalmente inaccurate) dai modelli di diffusione, preservando al contempo l'integrità del resto del modello.
Il paper propone la "regressione isotonica di Brenier", un nuovo metodo di regressione multi-output che estende la regressione isotonica classica sfruttando il trasporto ottimo di Kantorovich per garantire la monotonia ciclica, dimostrando prestazioni superiori nella calibrazione delle probabilità e nei modelli lineari generalizzati.
Questo studio propone un framework di ensemble basato su modelli ConvLSTM multi-risoluzione che, integrando diverse scale temporali, mitiga l'accumulo di errori e migliora l'accuratezza delle previsioni a lungo termine delle deformazioni dei muri di sostegno durante lo scavo.
Questo articolo presenta un quadro teorico e computazionale che, combinando la teoria cinetica di Vlasov-Poisson con l'apprendimento automatico non supervisionato tramite il modello Prometheus, descrive le oscillazioni collettive di tipo Langmuir e le transizioni di fase nei fasci di particelle cariche ad energie intermedie, convalidando le previsioni analitiche attraverso simulazioni PIC.
Questo studio dimostra che l'integrazione di sinergie muscolari come vincoli fisiologici in un framework di apprendimento per rinforzo migliora la fedeltà biomeccanica e la generalizzazione delle simulazioni predittive della locomozione umana su terreni variabili, utilizzando dati sperimentali limitati.
Questo lavoro dimostra che la Discesa del Gradiente Precondizionata nello Spazio Duale converge a una soluzione che interpola i dati nel regime sovraparametrizzato e, nel caso di precondizionatori isotropi, minimizza la distanza di Frobenius rispetto all'inizializzazione, condividendo così lo stesso bias implicito della discesa del gradiente standard.
Il paper introduce JEDI, un modello gerarchico che infere le dinamiche neurali condivise tra diversi compiti apprendendo uno spazio di embedding comune sui pesi delle reti ricorrenti, permettendo così di estrarre meccanismi robusti e generalizzabili sia da dati simulati che da registrazioni reali della corteccia motoria.
Questo articolo presenta un nuovo stimatore universale della dimensionalità intrinseca basato sui rapporti delle distanze tra i vicini più prossimi, il quale garantisce la convergenza al valore reale indipendentemente dalla distribuzione dei dati e ottiene risultati all'avanguardia sia su manifolds teorici che su dataset reali.
Il paper presenta VERI-DPO, un metodo che allinea i modelli linguistici per la sintesi clinica verificando le affermazioni rispetto alle evidenze mediche e applicando l'ottimizzazione diretta delle preferenze, ottenendo così una riduzione significativa delle affermazioni non supportate e un miglioramento della validità dei riassunti ospedalieri.
Il paper introduce la decomposizione "tubal tensor train" (TTT), un nuovo modello di rete tensoriale che combina l'algebra t-product con la struttura a nuclei di basso ordine del tensor train, offrendo una scalabilità lineare nello storage e dimostrando prestazioni efficaci in compiti come compressione di immagini e video, completamento tensoriale e imaging iperspettrale.
Questo lavoro propone un framework ibrido leggero per il gioco delle Amazzoni che integra un autoencoder con attenzione su grafi e modelli linguistici di grandi dimensioni per generare dati sintetici e ottimizzare la ricerca ad albero, dimostrando come tale approccio superi sia i metodi tradizionali che il modello teacher stesso in ambienti con risorse computazionali limitate.
Il paper introduce IH-Challenge, un dataset di addestramento basato sul reinforcement learning che migliora significativamente la gerarchia delle istruzioni e la robustezza contro gli attacchi nei modelli linguistici avanzati, riducendo al contempo i comportamenti insicuri senza comprometterne l'utilità.