cs.LG articoli | Gist.Science

World Model for Battery Degradation Prediction Under Non-Stationary Aging

Questo paper propone un modello del mondo per la previsione della degradazione delle batterie agli ioni di litio che, codificando i dati temporali in uno stato latente e propagandolo tramite dinamiche apprese (potenzialmente vincolate da un modello a particella singola), supera le prestazioni dei metodi di regressione diretta nel prevedere le traiettorie future di stato di salute, specialmente nella regione del "ginocchio" della degradazione.

Kai Chin Lim, Khay Wai See2026-03-12⚡ eess

UAV-MARL: Multi-Agent Reinforcement Learning for Time-Critical and Dynamic Medical Supply Delivery

Questo articolo presenta un framework di apprendimento per rinforzo multi-agente basato su PPO per coordinare flotte di droni nella consegna di forniture mediche critiche, dimostrando attraverso dati reali che l'approccio classico supera le strategie asincrone nel gestire scenari dinamici e incerti.

Islam Guven, Mehmet Parlak2026-03-12🤖 cs.LG

Tackling Length Inflation Without Trade-offs: Group Relative Reward Rescaling for Reinforcement Learning

Il paper presenta GR³, un nuovo metodo di apprendimento per rinforzo che risolve il problema dell'inflazione della lunghezza nei modelli linguistici applicando una riclassificazione relativa a gruppi dei premi, garantendo così un controllo continuo e senza perdite delle prestazioni rispetto alle tecniche esistenti.

Zichao Li, Jie Lou, Fangchen Dong, Zhiyuan Fan, Mengjie Ren, Hongyu Lin, Xianpei Han, Debing Zhang, Le Sun, Yaojie Lu, Xing Yu2026-03-12🤖 cs.LG

SCORE: Replacing Layer Stacking with Contractive Recurrent Depth

Il paper introduce SCORE, un'architettura ricorrente discreta che sostituisce l'impilamento classico dei livelli con aggiornamenti contrattivi ispirati alle equazioni differenziali ordinarie, condividendo i pesi per ridurre i parametri e accelerare l'addestramento in diverse tipologie di reti neurali.

Guillaume Godin2026-03-12🤖 cs.LG

Learning to Score: Tuning Cluster Schedulers through Reinforcement Learning

Questo articolo propone un approccio basato sull'apprendimento per rinforzo per ottimizzare automaticamente i pesi delle funzioni di scoring negli schedulatori di cluster, migliorando le prestazioni complessive dei job del 33% rispetto ai pesi fissi e del 12% rispetto alla migliore baseline esistente.

Martin Asenov, Qiwen Deng, Gingfung Yeung, Adam Barker2026-03-12🤖 cs.LG

A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting

Questo studio utilizza un approccio di apprendimento automatico basato su un grafo bipartito per dimostrare che i rendimenti del mercato azionario statunitense contengono informazioni predittive significative per i rendimenti intraday cinesi, rivelando un'asimmetria informativa direzionale che può essere sfruttata per migliorare la previsione dei rendimenti mantenendo l'interpretabilità economica.

Jing Liu, Maria Grith, Xiaowen Dong, Mihai Cucuringu2026-03-12💰 q-fin

Quantization Robustness of Monotone Operator Equilibrium Networks

Questo studio dimostra che la convergenza delle reti di equilibrio con operatori monotoni rimane garantita sotto quantizzazione dei pesi finché la perturbazione spettrale non supera il margine di monotonia, permettendo di recuperare la convergenza a 4 bit tramite addestramento consapevole della quantizzazione.

James Li, Philip H. W. Leong, Thomas Chaffey2026-03-12⚡ eess

Riemannian Geometry-Preserving Variational Autoencoder for MI-BCI Data Augmentation

Questo lavoro propone un autoencoder variazionale che preserva la geometria riemanniana (RGP-VAE) per generare matrici di covarianza EEG sintetiche ad alta fedeltà, preservando la loro natura definita positiva e abilitando l'augmentazione dei dati per le interfacce cervello-computer basate sull'immaginazione motoria.

Viktorija Polaka, Ivo Pascal de Jong, Andreea Ioana Sburlea2026-03-12🤖 cs.LG

Implicit Statistical Inference in Transformers: Approximating Likelihood-Ratio Tests In-Context

Lo studio dimostra che l'apprendimento in contesto (ICL) nei Transformer non si basa su un semplice matching di similarità, ma sull'adattamento dinamico di stimatori statistici che approssimano test di rapporto di verosimiglianza ottimali, utilizzando meccanismi computazionali diversi a seconda della geometria del compito.

Faris Chaudhry, Siddhant Gadkari2026-03-12🤖 cs.LG

HAPEns: Hardware-Aware Post-Hoc Ensembling for Tabular Data

Il paper introduce HAPEns, un metodo di ensemble post-hoc per dati tabulari che bilancia prestazioni predittive ed efficienza hardware generando un insieme diversificato di soluzioni lungo il fronte di Pareto, superando significativamente le baselines esistenti su 83 dataset.

Jannis Maier, Lennart Purucker2026-03-12🤖 cs.LG

Does LLM Alignment Really Need Diversity? An Empirical Study of Adapting RLVR Methods for Moral Reasoning

Contrariamente all'ipotesi che l'allineamento dei modelli linguistici richieda algoritmi orientati alla diversità, questo studio empirico dimostra che i metodi di massimizzazione della ricompensa (RLVR) sono ugualmente efficaci per il ragionamento morale, poiché le risposte ad alto valore in questo dominio tendono a concentrarsi in uno spazio semantico ristretto piuttosto che distribuirsi diversamente come nel ragionamento matematico.

Zhaowei Zhang, Xiaohan Liu, Xuekai Zhu, Junchao Huang, Ceyao Zhang, Zhiyuan Feng, Yaodong Yang, Xiaoyuan Yi, Xing Xie2026-03-12🤖 cs.AI

Gradient Flow Drifting: Generative Modeling via Wasserstein Gradient Flows of KDE-Approximated Divergences

Questo lavoro introduce il framework "Gradient Flow Drifting", che stabilisce l'equivalenza tra il modello Drifting e il flusso di gradiente di Wasserstein della divergenza KL forward approssimata tramite KDE, estendendo il metodo a una famiglia più ampia di generatori basati su divergenze miste e varietà Riemanniane per prevenire collasso e sfocatura delle modalità.

Jiarui Cao, Zixuan Wei, Yuxin Liu2026-03-12🤖 cs.LG

Self-Scaled Broyden Family of Quasi-Newton Methods in JAX

Questo breve documento tecnico presenta un'implementazione in JAX della famiglia di metodi quasi-Newton di Broyden auto-scalata, compatibile con la libreria Optimistix, che include varianti come BFGS, DFP e Broyden con una ricerca di zoom che soddisfa le condizioni di Wolfe forti, al fine di facilitarne l'adozione nella comunità JAX senza rivendicare contributi di ricerca originali.

Ivan Bioli, Mikel Mendibe Abarrategi2026-03-12🤖 cs.LG

Geo-ATBench: A Benchmark for Geospatial Audio Tagging with Geospatial Semantic Context

Il paper introduce Geo-ATBench, un benchmark e un framework di fusione audio-geospaziale che dimostra come l'integrazione del contesto semantico geospaziale migliori l'etichettatura audio multi-etichetta riducendo le ambiguità acustiche.

Yuanbo Hou, Yanru Wu, Qiaoqiao Ren, Shengchen Li, Stephen Roberts, Dick Botteldooren2026-03-12⚡ eess

Reinforcement Learning with Conditional Expectation Reward

Il paper propone la Ricompensa di Aspettativa Condizionata (CER), un nuovo metodo di apprendimento per rinforzo che utilizza il modello linguistico stesso come verificatore implicito per fornire segnali di ricompensa graduali e adattabili a domini generali, superando così i limiti delle regole di verifica rigide e basate su dominio.

Changyi Xiao, Caijun Xu, Yixin Cao2026-03-12🤖 cs.LG

Detecting and Eliminating Neural Network Backdoors Through Active Paths with Application to Intrusion Detection

Questo articolo presenta un approccio innovativo e spiegabile per rilevare ed eliminare i backdoor nelle reti neurali, basandosi sull'analisi dei percorsi attivi e validato attraverso esperimenti su un sistema di rilevamento delle intrusioni.

Eirik Høyheim, Magnus Wiik Eckhoff, Gudmund Grov, Robert Flood, David Aspinall2026-03-12🤖 cs.AI

FAME: Formal Abstract Minimal Explanation for Neural Networks

Il paper presenta FAME, un nuovo metodo di spiegazione abductiva basato sull'interpretazione astratta che scala a grandi reti neurali riducendo le dimensioni delle spiegazioni attraverso domini di perturbazione dedicati e limiti LiRPA, garantendo al contempo qualità formale e prestazioni superiori rispetto a VERIX+.

Ryma Boumazouza, Raya Elsaleh, Melanie Ducoffe, Shahaf Bassan, Guy Katz2026-03-12🤖 cs.AI

Spatio-Temporal Attention Graph Neural Network: Explaining Causalities With Attention

Il paper propone una rete neurale a grafo con attenzione spaziotemporale (STA-GNN) per il rilevamento di anomalie spiegabili e adattivo nei sistemi di controllo industriale, integrando dati eterogenei e previsioni conformali per gestire il drift ambientale e ridurre i falsi positivi.

Kosti Koistinen, Kirsi Hellsten, Joni Herttuainen, Kimmo K. Kaski2026-03-12🤖 cs.LG

Surrogate models for nuclear fusion with parametric Shallow Recurrent Decoder Networks: applications to magnetohydrodynamics

Questo lavoro presenta un framework data-driven basato sulla rete neurale SHRED e sulla decomposizione SVD che, utilizzando solo misurazioni termiche sparse, ricostruisce con precisione ed efficienza i campi completi di velocità, pressione e temperatura in flussi magnetoidrodinamici compressibili, dimostrando un grande potenziale come modello surrogato per il monitoraggio e il controllo in tempo reale nella fusione nucleare.

M. Lo Verso, C. Introini, E. Cervi, L. Savoldi, J. N. Kutz, A. Cammi2026-03-12🤖 cs.LG

Contract And Conquer: How to Provably Compute Adversarial Examples for a Black-Box Model?

Il paper propone "Contract And Conquer" (CAC), un metodo black-box che garantisce la generazione provabile di esempi avversari per reti neurali attraverso la distillazione della conoscenza su un dataset in espansione e la contrazione precisa dello spazio di ricerca, dimostrando prestazioni superiori rispetto agli stati dell'arte su ImageNet.

Anna Chistyakova, Mikhail Pautov2026-03-12🤖 cs.LG

← Precedente Successivo →