7279 articoli
Questo articolo propone un quadro teorico rigoroso per identificare e testare statisticamente l'influenza eccessiva di sottoinsiemi di dati nei modelli a minimi quadrati, derivando distribuzioni estreme esatte che permettono di distinguere tra variazioni naturali e risultati distorti.
Il paper presenta LLEMA, un framework unificato che combina la conoscenza scientifica dei modelli linguistici di grandi dimensioni con regole evolutive e affinamento basato sulla memoria per scoprire nuovi materiali multi-obiettivo chimicamente plausibili e termodinamicamente stabili con prestazioni superiori rispetto alle tecniche esistenti.
Il paper propone un metodo di campionamento adattivo per le PINN basato su euristiche specifiche del problema, dimostrando la sua efficacia nel risolvere con precisione le regioni interfacciali delle equazioni di Allen-Cahn senza necessità di risampionamento post-hoc.
Il paper presenta FMint-SDE, un modello fondazionale multimodale basato su transformer che accelera la simulazione di equazioni differenziali stocastiche correggendo gli errori dei solutori classici tramite apprendimento in contesto, ottenendo un compromesso superiore tra accuratezza ed efficienza su diversi domini scientifici.
MotionStream è un sistema di generazione video in tempo reale che, attraverso la distillazione di un modello bidirezionale in uno causale e l'uso di un'attenzione a finestra scorrevole, permette di creare video di lunghezza illimitata con controlli di movimento interattivi e una latenza sub-secondo, risolvendo i problemi di accumulo di errori e costi computazionali crescenti.
Il paper presenta CytoNet, un modello fondazionale addestrato su un milione di patch di immagini istologiche che permette l'analisi scalabile della microarchitettura corticale umana e il collegamento tra struttura cellulare e organizzazione funzionale del cervello.
Il paper propone CoRPO, una modifica all'ottimizzazione GRPO che introduce un bias di correttezza tramite l'uso di una soglia minima fissa per evitare la sovrastima dei vantaggi delle soluzioni errate, migliorando così la generalizzazione e il trasferimento delle capacità di ragionamento tra diversi domini.
Questo articolo propone SPOT, un metodo di localizzazione in un singolo shot basato su deep learning che utilizza array fase-tempo per sintetizzare fasci arcobaleno ottimizzati e stimare con alta precisione la posizione dell'utente riducendo drasticamente l'overhead di comunicazione.
Il paper propone ReCast, un framework di previsione delle serie temporali leggero e robusto che utilizza un codicebook apprendibile per catturare pattern locali ricorrenti e una strategia di aggiornamento affidabile basata sull'ottimizzazione robusta distribuzionalmente per gestire efficacemente le variazioni residue e i cambiamenti di distribuzione.
Il lavoro propone FlashCache, un nuovo framework di compressione della cache KV per modelli linguistici multimodali che, guidato dall'analisi delle frequenze e dalla preservazione dei "KV outlier", riduce drasticamente l'uso di memoria e accelera il decoding mantenendo le prestazioni.
Il paper propone ObAct, un nuovo framework per l'apprendimento per imitazione con visione attiva in cui un braccio robotico funge da osservatore per costruire una rappresentazione 3DGS e posizionare la telecamera in modo ottimale, permettendo all'altro braccio (attore) di eseguire compiti con maggiore robustezza e riducendo le occlusioni rispetto alle configurazioni statiche.
Il paper presenta "CycleChemist", un innovativo framework di machine learning dualistico che, sfruttando il nuovo dataset OPV2D, combina modelli predittivi per le proprietà elettroniche e delle prestazioni delle celle solari organiche con un generatore di molecole basato su MatGPT per accelerare la scoperta di materiali donatori e accettori ad alta efficienza.
Il documento propone un innovativo framework Physics-Informed U-Net-LSTM che integra leggi fisiche e deep learning per migliorare accuratezza ed efficienza nella previsione della risposta sismica non lineare delle strutture, superando i limiti computazionali del metodo agli elementi finiti e le carenze di generalizzazione dei modelli puramente data-driven.
Il paper introduce DPAC, un metodo di controllo avversariale per il campionamento diffusion che, proiettando i gradienti avversariali sullo spazio tangente definito dalla geometria del punteggio generativo, minimizza la divergenza KL nel percorso e preserva la qualità dei campioni riducendo la distanza di Wasserstein e il FID.
Questo studio presenta un caso di implementazione dell'IA nel sistema sanitario pediatrico Shriners Childrens, che modernizza il data warehouse in OMOP CDM v5.4 all'interno di Microsoft Fabric, introduce un nuovo strumento di valutazione della qualità dei dati basato su Python estendendo il framework METRIC per garantire un'IA affidabile e confronta strategie di implementazione sistemiche e specifiche per l'uso nel contesto della microsomia craniofacciale.
Il paper presenta GRAND, un algoritmo ibrido che combina un'architettura di guida globale basata su reti neurali con ottimizzazioni locali di riequilibrio e assegnazione per massimizzare il throughput e ridurre la congestione nella gestione di flotte robotiche su larga scala, superando le prestazioni degli scheduler attuali mantenendo una latenza computazionale inferiore al secondo.
Questo lavoro introduce un approccio di fine-tuning equo per modelli visione-linguaggio medici basato su Low-Rank Adaptation e una funzione di perdita differenziabile per la parità di accuratezza, che riduce le disparità diagnostiche del 69% nella diagnosi del glaucoma mantenendo un'alta efficienza parametrica.
Il paper introduce Guided Flow Policy (GFP), un nuovo approccio per l'apprendimento per rinforzo offline che combina un policy a flusso multi-step con un attore distillato per concentrarsi sull'imitazione selettiva delle azioni ad alto valore, ottenendo prestazioni all'avanguardia su numerosi benchmark.
Questo studio dimostra che l'aggiunta di un segnale di ricompensa per l'ordine canonico delle azioni, combinato con una ricompensa di compito durante il post-training con RL su indovinelli Zebra, migliora le prestazioni del modello rispetto all'ottimizzazione basata solo sul compito, guidando il modello verso traiettorie canoniche senza modificare i dati supervisionati o l'architettura.
Il paper introduce NeuralRemaster, un metodo di diffusione che preserva la fase dei segnali per generare contenuti strutturati e allineati geometricamente, migliorando significativamente il trasferimento sim-to-real senza costi aggiuntivi o modifiche architetturali.