7103 articoli
Il paper introduce RoboLayout, un'estensione di LayoutVLM che genera scene 3D semanticamente coerenti e fisicamente fattibili per agenti incarnati, integrando vincoli di raggiungibilità differenziabili e una fase di raffinamento locale per ottimizzare la disposizione degli oggetti in base alle capacità fisiche specifiche dell'agente.
Questo studio propone il primo quadro computazionale multimodale per la prognosi della nefrite lupica pediatrica, che combina dati clinici e istopatologici tramite un Transformer a iniezione clinica e un MAE adattato al dominio, ottenendo un'accuratezza del 90,1% nella previsione della risposta al trattamento utilizzando solo biopsie colorate con PAS.
Il paper presenta JAWS, una strategia di regolarizzazione probabilistica che modula dinamicamente il vincolo di stabilità in base alla complessità fisica locale, permettendo ai modelli di operatori neurali di mantenere la stabilità a lungo termine e la fedeltà delle caratteristiche singolari (come gli shock) senza compromettere le regioni lisce, superando così i limiti delle tecniche di regolarizzazione globale.
Il paper presenta VDCook, un sistema operativo auto-evolutivo per la costruzione dinamica e personalizzata di dataset video tramite query in linguaggio naturale, che integra recupero e sintesi controllata per abbattere le barriere all'addestramento di modelli multimediali in domini specifici.
Questo lavoro stabilisce un legame fondamentale tra l'efficienza strutturale e la reachability nel decoding vincolato da grammatica, dimostrando che grammatiche linguisticamente equivalenti possono generare costi computazionali drasticamente diversi e fornendo limiti inferiori teorici, metriche di ambiguità strutturale e strategie di ottimizzazione per l'implementazione di modelli linguistici vincolati.
Il paper propone una semplice rielaborazione algebrica della decomposizione della covarianza di Yates per il punteggio di Brier, che esprime l'errore di previsione probabilistica come somma di tre termini non negativi (mismatch di varianza, deficit di correlazione e calibrazione globale), rendendo così trasparenti le condizioni necessarie per una previsione perfetta.
Il paper presenta IntSeqBERT, un modello Transformer duale che integra embedding di scala logaritmica e modulo per apprendere la struttura aritmetica delle sequenze intere dell'OEIS, ottenendo prestazioni superiori nella previsione dei termini rispetto ai modelli basati su tokenizzazione standard grazie a un approccio ibrido che combina regressione, classificazione e un risolutore probabilistico basato sul Teorema Cinese del Resto.
Lo studio analizza un modello stocastico per la decisione basata su serie temporali ottiche caotiche, rivelando che l'autocorrelazione negativa o positiva del segnale è ottimale rispettivamente in ambienti ricchi o poveri di ricompensa, mentre le prestazioni diventano indipendenti dall'autocorrelazione quando la somma delle probabilità di vincita è pari a uno.
Il documento presenta il Continuous-Time Koopman Autoencoder (CT-KAE) come un modello surrogato leggero e stabile per le previsioni oceaniche a lungo termine, che supera le limitazioni di instabilità e deriva energetica dei modelli basati su Transformer garantendo un'evoluzione temporale strutturata e un'inferenza estremamente rapida.
Questo studio teorizza come l'IA generativa, pur omogeneizzando le competenze individuali, possa paradossalmente ampliare la disuguaglianza aggregata spostando il valore economico verso asset concentrati, definendo due regimi di disuguaglianza la cui dinamica dipende dalla struttura tecnologica dell'IA e dalle istituzioni del mercato del lavoro.
Il paper propone CDDS, un nuovo algoritmo di allineamento cross-modale che utilizza un UNet a doppio percorso per il disaccoppiamento vincolato e un campionamento distributivo per colmare il divario modale, superando significativamente i metodi esistenti nel garantire la coerenza semantica tra immagini e testo.
Il paper presenta FuseDiff, un modello di diffusione end-to-end che genera simultaneamente un ligando e due pose di legame specifiche per target, preservando le simmetrie e garantendo la coerenza topologica per il design di farmaci a doppio bersaglio.
Il documento propone un metodo di regole di trattamento individualizzate robuste distribuzionalmente (PDRO-ITR) che integra dati multipli per gestire lo spostamento posteriore, garantendo prestazioni ottimali nel caso peggiore attraverso un insieme di incertezza adattivo e una soluzione in forma chiusa.
Questo studio presenta una pipeline di machine learning end-to-end che integra dati trascrittomici multi-tessuto e single-cell per l'analisi della Sclerosi Multipla, utilizzando modelli XGBoost e strumenti di AI spiegabile (SHAP) per identificare biomarcatori e pathway biologici chiave, come l'attivazione immunitaria e le vie legate al virus di Epstein-Barr, offrendo nuove ipotesi sui meccanismi patogenetici della malattia.
Questo studio utilizza una prospettiva di controllo algebrico di Lie per dimostrare che l'errore di approssimazione nei modelli sequenziali parallelizzabili diminuisce esponenzialmente all'aumentare della profondità, collegando tale profondità a una torre di estensioni di algebre di Lie e validando la teoria attraverso esperimenti su problemi di tracciamento simbolico e continuo.
Questo lavoro propone un metodo di inferenza condizionale che combina localizzazione tramite kernel e correzione basata su previsioni machine learning per stimare funzionali condizionali in scenari con dati etichettati scarsi, garantendo intervalli di confidenza validi e a varianza ridotta senza assumere modelli parametrici.
Il paper propone DKSD-AE, un autoencoder strutturato che combina l'operatore di Koopman e la normalizzazione istanza per disaccoppiare dinamicamente le caratteristiche del parlante dal contenuto linguistico, ottenendo prestazioni competitive nella verifica dell'identità vocale senza supervisione testuale e con un numero ridotto di parametri.
Questo articolo presenta un nuovo approccio ibrido che combina euristiche specifiche per il settore ferroviario con l'apprendimento per rinforzo (Q-learning) per ottimizzare lo shunting dei carri ferroviari in scenari complessi che coinvolgono sia binari a accesso unilaterale che bilaterale.
Questo studio propone un quadro analitico GeoAI ibrido che integra MGWR, Random Forest e ST-GCN per modellare con successo l'eterogeneità spaziotemporale dei flussi di traffico multimodali e le loro interazioni con l'uso del suolo, offrendo agli urbanisti uno strumento interpretabile e scalabile per la gestione della mobilità e la progettazione delle politiche territoriali.
Questo lavoro introduce BISE, una strategia che estrae sottoreti prive di pregiudizi da modelli neurali pre-addestrati convenzionali tramite potatura, consentendo una mitigazione efficiente dei bias senza necessità di riaddestramento o dati aggiuntivi.