7279 articoli
Questo lavoro estende la stima della densità kernel (KDE) e l'assottigliamento gerarchico (HS) agli alberi di Hoeffding per la regressione su flussi di dati sbilanciati, dimostrando sperimentalmente che KDE migliora le prestazioni nelle fasi iniziali dello streaming mentre HS offre benefici limitati.
Il paper presenta Zatom-1, il primo modello fondazionale open-source multimodale che unifica la generazione e la previsione per molecole e materiali 3D, superando i limiti degli approcci esistenti grazie a un addestramento congiunto che migliora le prestazioni predittive e riduce drasticamente i tempi di inferenza.
Questo lavoro propone un approccio di RLHF online regolarizzato basato sul modello di preferenze bilineari generalizzate (GBPM) che, sfruttando la forte convessità e la struttura a rango basso, garantisce bound di regret statisticamente efficienti e privi di dipendenze esponenziali rispetto alla forza di regolarizzazione.
Questo lavoro presenta Lap2, un nuovo metodo che supera le limitazioni della scalabilità del DP-SGD basato sul meccanismo di Laplace in ambienti ad alta dimensionalità consentendo il clipping L2 tramite la teoria della maggiorizzazione, ottenendo così prestazioni di addestramento comparabili o superiori a quelle del meccanismo Gaussiano.
Il paper presenta un nuovo framework di ottimizzazione al momento dell'inferenza che, agendo sulle rappresentazioni latenti e combinando prior strutturali e di campo di forza, genera ensemble proteici termodinamicamente plausibili e in migliore accordo con i dati sperimentali rispetto agli attuali modelli generativi, rivelando al contempo vulnerabilità nelle metriche di fiducia degli attuali sistemi di design.
Il paper presenta JAILBREAK FOUNDRY, un sistema multi-agente che automatizza la traduzione delle tecniche di jailbreak da articoli accademici a moduli eseguibili per garantire benchmark di sicurezza riproducibili, coerenti e aggiornati per i modelli linguistici su larga scala.
Il paper introduce DiffusionHarmonizer, un framework di enhancement generativo online che utilizza un modello di diffusione a singolo passo per trasformare le ricostruzioni neurali imperfette in simulazioni fotorealistiche e temporalmente coerenti, risolvendo problemi di artefatti e integrazione di oggetti dinamici.
Il paper introduce Aurchestra, il primo sistema che consente un controllo sonoro fine e in tempo reale su dispositivi acustici limitati, permettendo agli utenti di isolare e regolare individualmente fino a cinque sorgenti sonore sovrapposte in ambienti reali.
Lo studio dimostra che la persistenza dello stato dell'interprete è una semantica fondamentale che, se disallineata tra addestramento e deployment, non compromette la qualità delle soluzioni ma causa significativi inefficienze nei costi token e instabilità operative negli agenti LLM.
Il paper introduce ReGFT, un metodo che utilizza soluzioni di riferimento parziali per generare traiettorie di ragionamento all'interno dello spazio del modello, superando la sparsità dei reward e migliorando significativamente le prestazioni del Reinforcement Learning nel ragionamento matematico.
Il paper presenta VoxKnesset, un dataset longitudinale open-source di circa 2.300 ore di discorsi parlamentari ebraici che copre 16 anni, progettato per studiare l'invecchiamento della voce e migliorare la robustezza dei sistemi di elaborazione del parlato.
Il lavoro presenta MatRIS, un potenziale interatomico basato su machine learning invariante che, grazie a un meccanismo di attenzione scalabile, raggiunge un'accuratezza paragonabile ai modelli equivarianti più avanzati a un costo computazionale significativamente inferiore.
Il paper propone un framework di previsione conformale per output strutturati a grafo, che utilizza la distanza Z-Gromov-Wasserstein e una variante adattiva della regressione quantilica (SCQR) per fornire garanzie di copertura senza distribuzione, come dimostrato nei compiti di identificazione molecolare.
Il paper introduce IoUCert, un nuovo framework di verifica formale che supera le difficoltà legate alle trasformazioni non lineari e alla metrica IoU per garantire la robustezza di modelli di rilevamento oggetti basati su anchor come SSD e YOLO.
Il paper propone un metodo di costruzione incrementale dei grafi k-NN che garantisce la connettività per qualsiasi valore di k, risolvendo il problema della frammentazione nei grafi standard e migliorando la robustezza del clustering spettrale su dati testuali.
Questo studio propone l'uso di un autoencoder variazionale condizionale (CVAE) per ricostruire in modo efficiente e non iterativo i segnali temporali di shock a partire dai loro spettri di risposta (SRS), superando i limiti computazionali e di generalizzazione dei metodi tradizionali.
Il paper presenta AOI, un framework multi-agente addestrabile che trasforma le traiettorie operative fallite in segnali di supervisione per migliorare la diagnosi autonoma dei cloud, superando le limitazioni dei dati proprietari e della sicurezza attraverso l'uso di ottimizzazione GRPO, un'architettura di esecuzione separata e un ciclo di evoluzione degli errori.
Il paper introduce RADAR, un framework neurale scalabile che risolve i problemi di instradamento dei veicoli asimmetrici migliorando le rappresentazioni delle distanze statiche tramite SVD e modellando le interazioni dinamiche con la normalizzazione di Sinkhorn, ottenendo così prestazioni superiori e una migliore generalizzazione rispetto ai metodi esistenti.
Il paper presenta Stratum, un'infrastruttura di sistema unificata che supera le limitazioni dell'ecosistema ML Python per supportare la ricerca di pipeline guidata da agenti su larga scala, ottenendo un'accelerazione fino a 16,6 volte grazie alla decoupling dell'esecuzione dalla pianificazione e all'uso di un runtime ottimizzato in Rust.
Questo lavoro stabilisce un legame fondamentale tra le classi di complessità computazionale e le architetture delle reti ricorrenti, dimostrando che le RNN lineari sono parallelizzabili come i transformer perché corrispondono a circuiti aritmetici di profondità logaritmica, mentre le RNN non lineari risolvono problemi completi per P che ne impediscono un'efficiente parallelizzazione.