7103 articoli
Questo articolo presenta un framework che combina la selezione di sottoinsiemi submodulare con la stima dell'incertezza basata su gradienti per migliorare la robustezza e la fedeltà delle spiegazioni visive in scenari fuori distribuzione, senza richiedere addestramento aggiuntivo.
Questo articolo propone una nuova metrica di sensibilità globale basata sulle curve di aspettativa condizionata individuale (ICE) per superare i limiti dei Partial Dependence Plots nell'analisi delle interazioni tra variabili nei modelli di apprendimento automatico applicati al design ingegneristico, dimostrando la sua superiorità attraverso prove matematiche e valutazioni comparative su casi di studio aerospaziali.
Questo studio introduce un nuovo approccio basato su patch per l'analisi topologica dei dati (TDA) applicato alle immagini TC volumetriche, che supera i metodi tradizionali in termini di accuratezza diagnostica e tempi di calcolo, offrendo inoltre un pacchetto Python per facilitarne l'uso.
Il paper introduce Hyper++, un nuovo agente di reinforcement learning iperbolico che risolve le sfide di ottimizzazione attraverso regolarizzazione delle feature, una funzione di perdita categorica e un'architettura di rete ottimizzata, garantendo così una stabilità di apprendimento superiore e prestazioni migliori rispetto ai metodi esistenti su benchmark come ProcGen e Atari-5.
Il paper presenta CARE, un framework di post-training multimodale che trasforma gli errori in segnali di supervisione attraverso un obiettivo contrastivo ancorato e un campionamento guidato dalla riflessione, migliorando significativamente l'accuratezza e la stabilità dell'addestramento rispetto ai metodi esistenti.
Il paper presenta LLMTM, un benchmark completo per valutare e ottimizzare le prestazioni dei modelli linguistici nell'analisi dei motivi temporali nei grafi dinamici, proponendo un agente potenziato da strumenti e un dispatcher intelligente che bilancia accuratezza e costi computazionali.
Il paper propone MDENeRF, un framework iterativo che affina le stime di profondità monoculare fondendo un prior globale con dettagli geometrici ad alta frequenza e incertezze bayesiane estratte da Neural Radiance Fields (NeRF) per migliorare la comprensione della scena.
Il paper propone un nuovo framework end-to-end per il riconoscimento visivo-uditivo del parlato che, eliminando la necessità di maschere esplicita per la rimozione del rumore, utilizza un modulo di fusione basato su Conformer per migliorare implicitamente le caratteristiche audio tramite quelle video, ottenendo prestazioni superiori rispetto ai metodi esistenti in condizioni rumorose.
Questo lavoro propone un metodo per ottenere rappresentazioni invarianti al dominio tramite l'embedding spettrale di piani di trasporto ottimo regolarizzati, interpretati come matrici di adiacenza di grafi bipartiti, dimostrando prestazioni elevate su benchmark di riconoscimento musicale e classificazione di difetti nei cavi elettrici.
Il paper presenta un metodo per realizzare una rete neurale ottica utilizzando esclusivamente risorse lineari e stati coerenti di luce, dove la non linearità necessaria per l'apprendimento è ottenuta tramite codifica di fase, consentendo sia l'inferenza che l'addestramento *in situ* con una notevole resilienza alle perdite di fotoni.
Il paper presenta CELM, il primo modello fondazionale multimodale in grado di generare automaticamente rapporti clinici completi a partire da registrazioni EEG a lungo termine, ottenendo miglioramenti significativi rispetto alle tecniche esistenti grazie all'integrazione di modelli linguistici e supervisione sulla storia del paziente.
Gli autori presentano e dimostrano sperimentalmente una rete neurale fotonica profonda che realizza l'apprendimento non supervisionato online tramite un meccanismo di feedback locale ottico e sinapsi a materiali a cambiamento di fase, ottenendo il riconoscimento completo di lettere senza conversioni elettro-ottiche.
Il paper presenta ZK-HybridFL, un framework decentralizzato per l'apprendimento federato che integra un registro DAG, sidechain dedicate e prove a conoscenza zero per garantire validazione sicura dei modelli, resistenza agli attacchi e prestazioni superiori rispetto alle soluzioni esistenti.
Il paper introduce EDIS, una metrica basata sull'evoluzione temporale dell'entropia che rileva pattern di instabilità nelle traiettorie di generazione per distinguere ragionamenti corretti da quelli errati, migliorando così l'accuratezza dei modelli linguistici sia durante l'inferenza che nella curatela dei dati di addestramento.
Il paper propone la Latent Exploration Decoding (LED), una strategia di decodifica senza costi di addestramento che ripristina l'esplorazione nei Large Reasoning Models post-allenati aggregando le distribuzioni posteriori degli strati intermedi per migliorare l'accuratezza nei compiti di ragionamento.
Questo articolo presenta un pipeline automatico di red-teaming che dimostra come strategie di inganno a livello di prompt possano fuorviare sia i metodi di audit in scatola nera che in scatola bianca, rivelando per la prima volta la possibilità di un inganno strategico basato sull'attivazione e mettendo in dubbio la robustezza delle attuali tecniche di allineamento contro modelli disallineati sufficientemente capaci.
Il paper propone LaPha, un metodo che addestra agenti LLM simili ad AlphaZero in uno spazio latente di Poincaré, sfruttando la curvatura negativa per migliorare l'efficienza della ricerca e ottenendo risultati significativi su benchmark matematici come MATH-500 e AIME.
Questo articolo introduce un protocollo di validazione basato su perturbazioni per garantire la fedeltà delle mappe di salienza nei modelli di previsione dell'efficacia degli siRNA, rivelando fallimenti critici nel trasferimento tra dataset e proponendo un regolarizzatore biologico (BioPrior) per migliorare l'affidabilità della progettazione terapeutica prima della sintesi.
Il paper presenta Aletheia, un agente di ricerca matematica autonomo basato su modelli avanzati e scaling dell'inferenza, capace di generare, verificare e revisionare soluzioni end-to-end per problemi che spaziano dalle Olimpiadi Matematiche alla ricerca di livello PhD, dimostrando risultati significativi come la produzione autonoma di articoli scientifici e la risoluzione di problemi aperti.
Il paper analizza il fenomeno del "diagonal sink" nei meccanismi di attenzione temporale, dimostrando teoricamente come le punteggiature fuori diagonale dipendano dalla lunghezza della sequenza e proponendo metodi di regolarizzazione per mitigare la degenerazione delle informazioni.