2316 articoli
Il paper presenta EvoSchema, un benchmark completo che introduce una nuova tassonomia di evoluzione degli schemi per valutare e migliorare la robustezza dei modelli Text-to-SQL contro i cambiamenti reali dei database, rivelando che le perturbazioni a livello di tabella hanno un impatto maggiore rispetto a quelle a livello di colonna e dimostrando che l'addestramento su schemi perturbati genera sistemi più resilienti.
Il paper propone Riemannian MeanFlow (RMF), un metodo che estende il MeanFlow alle varietà Riemanniane permettendo la generazione in un singolo passo attraverso un'identità geometrica basata sul trasporto parallelo e un'apprendimento multi-task consapevole dei conflitti, eliminando così la necessità di costose integrazioni numeriche.
Il paper propone l'algoritmo "Sample-and-Search", un metodo basato sul campionamento che risolve il problema del clustering k-mediane potenziato dall'apprendimento in spazi ad alta dimensionalità, riducendo significativamente la complessità computazionale e il costo di clustering rispetto agli approcci esistenti.
Il paper presenta CacheSolidarity, un sistema che protegge i sistemi di serving LLM multi-tenant dagli attacchi side-channel derivanti dalla cache dei prefissi, monitorando e isolando selettivamente le condivisioni sospette per garantire sicurezza senza sacrificare le prestazioni.
Questo studio confronta l'approssimazione bayesiana tramite Monte Carlo Dropout e il framework di Conformal Prediction su due architetture CNN addestrate su Fashion-MNIST, evidenziando come GoogLeNet offra stime di incertezza meglio calibrate rispetto a H-CNN VGG16 e come il Conformal Prediction garantisca validità statistica cruciale per decisioni ad alto rischio.
Questo articolo propone una soluzione strutturale al problema della fuoriuscita di dati (data leakage) nella formazione di modelli di machine learning, introducendo una grammatica basata su un grafo aciclico diretto con vincoli rigidi che impediscono l'errore di valutazione ripetuta sul set di test, superando così i limiti delle mere linee guida documentali.
Il paper introduce CUPID, un framework plug-in che stima congiuntamente l'incertezza aleatoria ed epistemica in qualsiasi modello pre-addestrato senza necessità di riaddestramento, offrendo così un approccio modulare e interpretabile per decisioni consapevoli del rischio in ambiti critici.
Il paper propone un'architettura di autoencoder basata sull'apprendimento profondo per il calcolo distribuito randomizzato (DeepRDFC) che minimizza la distanza di variazione totale rispetto a una distribuzione target sconosciuta, ottenendo guadagni significativi nel carico di comunicazione rispetto ai metodi di compressione dei dati.
Il paper propone un metodo per proteggere la proprietà intellettuale nei modelli di reti neurali legando i loro pesi alle caratteristiche hardware uniche tramite Funzioni Fisiche Non Clonabili (PUF), rendendo di fatto impossibile l'esecuzione accurata del modello su hardware clonato.
Il documento propone SP-FL, un nuovo framework per l'apprendimento federato wireless che migliora l'efficienza e l'affidabilità della comunicazione prioritizzando la trasmissione dei segni dei gradienti e ottimizzando l'allocazione delle risorse a livello di pacchetto e dispositivo, ottenendo risultati superiori rispetto ai metodi esistenti in scenari con risorse limitate.
Il paper propone un framework di deep learning basato su dati che combina precursori interpretabili derivati da instabilità transitorie (calcolati efficientemente tramite modalità OTD in un sottospazio ridotto) e modelli Transformer per prevedere eventi estremi in sistemi dinamici caotici ad alta dimensionalità, superando i limiti degli approcci puramente statistici.
Il paper introduce i "Super Neurons", un metodo di probing che utilizza le attivazioni scalari dirette dei primi token nei livelli più superficiali dei modelli visione-linguaggio per ottenere classificatori ad alte prestazioni con un'accelerazione fino a 5,10 volte rispetto alla rete originale.
Questo articolo presenta un framework di intelligenza artificiale che, combinando una strategia di suddivisione dei dati contestuale e una correzione degli errori spaziali, migliora l'accuratezza della previsione della domanda di traffico cellulare per la pianificazione delle reti 5G/6G, riducendo il rischio di leakage spaziale e garantendo una migliore generalizzazione.
Questo articolo presenta un modello basato su Graph Neural Networks (HR-GAT) che stima la domanda di spettro a livello locale utilizzando dati pubblici, migliorando significativamente l'efficienza della gestione e dell'allocazione delle risorse wireless.
Il paper introduce MCCOP, un framework che utilizza l'ottimizzazione latente guidata da modelli di diffusione per generare modifiche minimali e biologicamente plausibili alle sequenze proteiche, consentendo di invertire le previsioni dei modelli di deep learning verso stati desiderati e fornendo così indicazioni attuabili per l'ingegneria proteica.
Questo lavoro dimostra che l'uso della regolarizzazione casuale (randomized smoothing) costituisce una difesa efficace, semplice ed economica per migliorare la robustezza dei modelli di previsione delle traiettorie contro gli attacchi avversari, senza comprometterne l'accuratezza in condizioni normali.
Il paper presenta ReTabSyn, un metodo di sintesi tabulare basato sul reinforcement learning che, focalizzandosi sulla distribuzione condizionale anziché su quella congiunta completa, migliora l'efficienza dei dati e le prestazioni dei modelli predittivi in scenari con campioni limitati e squilibrio delle classi.
Il paper presenta EvoKernel, un framework agenziale auto-evolutivo basato su un approccio di memoria guidata dal valore che supera la scarsità di dati nella sintesi di kernel per architetture NPU, migliorando drasticamente la correttezza e le prestazioni attraverso un processo di stesura iniziale e raffinamento continuo.
Il paper propone , un modello di valore generalista che fonde adattivamente una previsione a priori con medie empiriche da rollouts sparsi tramite test statistici in tempo reale, ottenendo una stima del baseline a bassa varianza che supera significativamente GRPO e DAPO su sei benchmark di ragionamento matematico.
Questo articolo presenta 6ABOS, un nuovo framework open-source basato su Python e sul modello 6S che automatizza la correzione atmosferica delle immagini iperspettrali EnMAP per il monitoraggio delle acque, dimostrando un'elevata accuratezza nella stima della riflettanza del fondo marino su bacini mediterranei.