2316 articoli
Il paper presenta SNPgen, un framework di diffusione latente condizionato che genera dati genetici sintetici supervisionati dal fenotipo, preservando la privacy e mantenendo un'alta fedeltà statistica e utilità predittiva per l'analisi delle malattie complesse.
Il paper presenta LAtte, un nuovo framework che combina un modulo di attenzione Lorentz con un encoder InceptionTime per migliorare la classificazione EEG cross-soggetto, superando le limitazioni della variabilità inter-soggetto attraverso l'apprendimento di un segnale di base condiviso e di embedding specifici per ogni individuo.
Il paper presenta un Diffusion Transformer (DiT) efficiente in termini di parametri, dotato di un codificatore CNN 2D e ottimizzato tramite DDPO con Enformer, in grado di generare sequenze di DNA regolatorio sintetico specifiche per il tipo cellulare con una convergenza più rapida, una minore memorizzazione dei dati e un'attività regolatoria predetta significativamente superiore rispetto ai modelli precedenti.
Il paper propone nuovi test basati su kernel, utilizzando la discrepanza di Stein e la discrepanza massima media, per valutare l'equivalenza tra distribuzioni e superare i limiti dei test di bontà di adattamento tradizionali che non possono confermare l'assenza di differenze significative.
Il lavoro propone il campionamento predittivo dinamico (DPS), un metodo che accelera il fine-tuning con apprendimento per rinforzo dei grandi modelli di ragionamento prevedendo online la dinamica di apprendimento dei prompt tramite inferenza bayesiana, riducendo così i costosi rollouts e migliorando le prestazioni senza compromettere l'efficienza.
Questo articolo esamina l'impatto dei processi di ricompensa non ergodici nell'apprendimento per rinforzo, spiegando perché l'ottimizzazione del valore atteso sia inadeguata per le prestazioni individuali e presentando soluzioni per massimizzare i risultati a lungo termine di singole traiettorie.
LookaheadKV è un framework di evizione della cache KV leggero e preciso che, evitando la costosa generazione di bozze, utilizza moduli efficienti per prevedere l'importanza futura dei token, garantendo prestazioni superiori e una riduzione dei costi di evizione fino a 14,5 volte rispetto ai metodi esistenti.
Questo articolo presenta un nuovo approccio per la previsione dei risultati del torneo NCAA 2024 basato sull'Analisi di Fusione Combinatoria (CFA), che combina diversi sistemi di punteggio per ottenere un'accuratezza del 74,60%, superando così le migliori dieci classifiche pubbliche esistenti.
Il paper presenta ECoLAD, un protocollo di valutazione orientato al deployment per la rilevazione di anomalie nelle serie temporali automobilistiche che, a differenza delle classifiche basate solo sull'accuratezza, valuta le prestazioni sotto vincoli computazionali reali, dimostrando come i metodi classici leggeri mantengano la fattibilità dove i modelli profondi falliscono.
Questo paper introduce il "Historical Consensus Training", un metodo iterativo che seleziona prior a miscela gaussiana per eliminare definitivamente il collasso posteriore nei VAE, garantendo rappresentazioni informative senza richiedere condizioni di stabilità esplicite o vincoli architetturali.
Questo lavoro propone un metodo pratico basato su stimatori di densità kernel (KDE) per quantificare il rischio di divulgazione dell'appartenenza in dati sintetici tabulari, permettendo una valutazione robusta della privacy senza la necessità di costosi modelli ombra.
Il paper propone RAD, un nuovo framework di allineamento per l'apprendimento per rinforzo sicuro che sostituisce i vincoli di costo atteso con vincoli di dominanza stocastica di primo ordine, permettendo un controllo universale dei rischi di coda e delle prestazioni su distribuzioni fuori dal dominio attraverso un'ottimizzazione differenziabile basata sul trasporto ottimo.
Questo articolo introduce un framework di previsione selettiva per il recupero di strutture molecolari dagli spettri di massa, dimostrando che l'uso di misure di incertezza a livello di recupero e di controllo del rischio senza distribuzione permette di ottenere annotazioni affidabili con un tasso di errore controllato, evitando così previsioni in contesti ad alto rischio.
Questo lavoro introduce Scorio, una libreria open-source per il ranking statistico dei modelli linguistici di ragionamento sotto scaling del tempo di test, dimostrando che la maggior parte dei metodi proposti produce risultati coerenti con uno standard aureo bayesiano sia in scenari ad alto che a basso budget di trial.
Questo lavoro introduce un metodo di apprendimento auto-supervisionato bio-ispirato per i segnali IMU al polso, che utilizza una tokenizzazione basata sulla teoria dei sottomovimenti per superare i limiti dei dati etichettati e ottenere rappresentazioni superiori per il riconoscimento delle attività umane.
Il paper presenta Pointy, un'architettura transformer leggera per modelli fondazionali di nuvole di punti che, pur addestrata su un dataset ridotto di 39k campioni, supera modelli più grandi e complessi grazie a un'attenta progettazione e a un rigoroso studio di replicazione.
Il paper introduce TOSSS, un nuovo benchmark basato sul database CVE per valutare la capacità dei Large Language Models di selezionare frammenti di codice sicuri rispetto a quelli vulnerabili, fornendo un punteggio di sicurezza complementare alle valutazioni esistenti.
Questo articolo presenta un framework federato che ottimizza congiuntamente la configurazione di più superfici intelligenti riconfigurabili (RIS) e il rilevamento di intercettazioni nelle reti B5G, migliorando significativamente il tasso di segretezza e garantendo la privacy dei dati nelle comunicazioni industriali.
Questo studio dimostra che l'uso di una Rete Neurale Grafica (GNN) nell'ambito dell'Apprendimento Federato per la gestione dei fasci nelle costellazioni satellitari LEO supera le prestazioni dei modelli MLP, garantendo una selezione dei fasci più accurata e stabile, specialmente a bassi angoli di elevazione.
Questo studio dimostra che i livelli MLP nei transformer eseguono un instradamento binario di segnali continui, dove specifici neuroni agiscono come interruttori che decidono quali token necessitano di elaborazione non lineare, rivelando un'architettura di consenso ed eccezione che evolve attraverso i livelli e che non può essere adeguatamente approssimata da funzioni polinomiali lisce.