2316 articoli
Questo articolo propone un approccio che disaccoppia la quantificazione dell'incertezza dall'architettura della rete neurale, integrando la distribuzione dei parametri del modello come input tramite Markov Chain Monte Carlo (MCMC) per creare emulatori neurali efficienti e agnostici che riducono i tempi di calcolo mantenendo la precisione dell'incertezza dei modelli fisici sottostanti.
Il paper "ForwardFlow" propone un metodo di inferenza statistica basato su simulazioni e un'unica rete neurale che risolve il problema inverso di stima dei parametri, dimostrando in simulazioni proprietà come l'esattezza su campioni finiti, la robustezza ai dati contaminati e la capacità di approssimare algoritmi complessi come l'EM.
Questo articolo presenta un quadro unificato di ottimizzazione bayesiana basato su processi gaussiani che, attraverso un ciclo di surrogate a sei passaggi e tecniche avanzate come l'ottimizzazione del trasporto e le caratteristiche di Fourier casuali, accelera l'identificazione di punti stazionari su superfici di energia potenziale riducendo drasticamente il numero di valutazioni necessarie.
Il paper propone un approccio basato su campi neurali impliciti fattorizzati per la decomposizione spettrale dell'operatore di Koopman, consentendo la previsione stabile a lungo termine, l'interpolazione parametrica e l'analisi spettrale di sistemi dinamici complessi senza richiedere la conoscenza esplicita delle equazioni governative.
Questo studio replica ed estende il framework di mappatura da elettrofisiologia a trascrittomica per gli interneuroni GABAergici, dimostrando che un modello di apprendimento profondo basato su attenzione può eguagliare le prestazioni dei metodi tradizionali e che l'addestramento trasversale dai dati murini a quelli umani migliora significativamente la previsione delle sottoclassi neuronali.
Questo articolo presenta la Leech Lattice Vector Quantization (LLVQ), un algoritmo pratico che sfrutta il reticolo di Leech a 24 dimensioni per comprimere i grandi modelli linguistici con prestazioni all'avanguardia, superando metodi recenti come Quip# e QTIP grazie a una ricerca angolare efficiente e a un kernel di dequantizzazione completamente parallelizzabile.
Il paper presenta V2M-Zero, un approccio di generazione zero-shot che allinea temporalmente la musica al video sfruttando le curve di eventi temporali calcolate indipendentemente per ciascuna modalità, ottenendo risultati superiori rispetto ai metodi basati su dati accoppiati senza richiedere training incrociato.
Il paper presenta NeFTY, un framework di fisica differenziabile che utilizza campi neurali per ricostruire con precisione le proprietà materiali 3D e localizzare difetti sotterranei analizzando misurazioni termiche superficiali transitorie, superando i limiti dei metodi tradizionali e delle PINN a vincoli morbidi.
Il paper presenta XConv, un metodo di backpropagation stocastico a bassa memoria per i layer convoluzionali che riduce l'utilizzo della memoria di oltre il 50% senza imporre vincoli architetturali o richiedere modifiche al codice, mantenendo prestazioni comparabili ai metodi a gradiente esatto.
Questo lavoro presenta un'analisi sistematica dell'apprendimento federato decentralizzato (DFL) fino al 2026, proponendo una tassonomia unificata basata sulle sfide affrontate, valutando le pratiche di valutazione attuali e delineando future direzioni di ricerca per migliorare sicurezza, privacy e meccanismi di incentivo in ambienti privi di coordinatore centrale.
Questo articolo dimostra che le reti neurali convoluzionali sovraparametrizzate contengono sottoreti strutturate ad alte prestazioni, superando le limitazioni matematiche precedenti per fornire la prima prova teorica della versione strutturata dell'Ipotesi del Biglietto Vincente Forte.
Il paper propone un nuovo metodo di clustering grafico basato su filtri provabili che, sfruttando blocchi squeeze-and-excitation e filtri passa-basso e passa-alto costruiti su grafi omofili ed eterofili, supera i limiti delle soluzioni attuali gestendo efficacemente la complessa struttura dei grafi reali.
Questo articolo presenta un approccio basato sull'apprendimento profondo che combina la scoperta di coordinate e mappe di flusso per migliorare l'efficienza computazionale nella simulazione di sistemi multiscala complessi, ottenendo alta accuratezza predittiva a costi ridotti su modelli come Fitzhugh-Nagumo e Kuramoto-Sivashinsky.
Questo lavoro presenta un approccio di rilevamento mirato a gruppi multipli e consapevole dell'equità per i discorsi online, che riduce i pregiudizi tra i gruppi e migliora le prestazioni predittive nel contesto della rilevazione della tossicità, superando le basi di riferimento esistenti.
Questo articolo propone e valuta un approccio di apprendimento per rinforzo multi-agente basato su Q-learning per ottimizzare gli aggiornamenti delle mappe ad alta definizione nelle reti veicolari, riducendo il carico computazionale rispetto alle soluzioni single-agent e migliorando significativamente la latenza per vari servizi di rete.
Il paper presenta gli Sparse Variational Student-t Processes (SVTP), un nuovo framework che estende i processi a punti induttori sparsi ai processi Student-t, offrendo un metodo scalabile e robusto per la modellazione di dati con code pesanti e outlier che supera le prestazioni dei processi Gaussiani sparsi.
Il paper introduce HYGENE, il primo metodo basato su diffusione per la generazione di ipergrafi realistici e diversificati, che utilizza un approccio di espansione locale progressiva sulla rappresentazione bipartita per modellare relazioni di ordine superiore complesse.
Questo paper introduce un quadro unificato che modella la quantizzazione e la sparsificazione come rumore additivo, proponendo una trasformata di dequantizzazione basata sulla regressione ridge per fornire un percorso di gradiente ben definito che permette l'addestramento stabile di reti neurali ad alta efficienza con precisione arbitraria e livelli di sparsità estremi, superando i limiti degli approcci esistenti come lo Straight-Through Estimator.
Il paper presenta ARLBench, un benchmark flessibile ed efficiente per l'ottimizzazione degli iperparametri nel reinforcement learning, progettato per facilitare il confronto tra diversi metodi di AutoRL riducendo drasticamente i requisiti computazionali necessari.
Il paper introduce DRUPI, un metodo di condensazione del dataset che migliora le prestazioni dei modelli sintetizzando informazioni privilegiate (come etichette di feature o attenzione) insieme ai dati ridotti, ottenendo significativi guadagni su diversi benchmark.