2316 articoli
Questo articolo propone un nuovo metodo basato su un criterio di arresto bayesiano non parametrico per correggere il bias di rappresentazione negli operatori di trasporto ottimo, consentendo così di riparare dati fuori campione e definire un target distribuzionale equo che bilancia giustizia e integrità dei dati.
Questo articolo propone un metodo di apprendimento rappresentativo non supervisionato che, analizzando le trasformazioni sparse dei dati sequenziali tramite un modello di flusso probabilistico decomposto in campi vettoriali rotazionali e potenziali, genera rappresentazioni disaccoppiate basate su primitive di trasformazione indipendenti, ottenendo risultati all'avanguardia nella verosimiglianza dei dati e nell'approssimazione dell'equivarianza.
Questo lavoro propone un approccio basato su funzioni di barriera di controllo e ottimizzazione differenziabile per apprendere in modo efficiente e interpretabile le allocazioni di responsabilità degli agenti nelle interazioni multi-agente, permettendo di codificare fattori sociali e contestuali per garantire interazioni sicure ed efficienti.
Il paper presenta un nuovo approccio ibrido che combina l'algoritmo di Donaldson con tecniche di apprendimento automatico su varietà di Grassmann per calcolare metriche di Kähler approssimativamente Ricci-piatte sulla famiglia di Dwork, evidenziando la comparsa di minimi locali non banali al variare dei parametri del moduli.
Questo articolo presenta due stimatori di subsampling, Adaptive Importance Sampling e Stratified Sub-sampling, che garantiscono una regressione robusta ad alta dimensionalità in presenza di rumore pesante, contaminazione e dipendenza temporale, colmando il divario tra teoria e algoritmo e fornendo intervalli di confidenza validi con prestazioni empiriche superiori rispetto ai metodi tradizionali.
Il paper propone le Scalable Message Passing Neural Networks (SMPNNs), un'architettura che sostituisce il meccanismo di attenzione nei Transformer con la normalizzazione Pre-Layer e connessioni residue per creare GNN profondi e scalabili che superano le prestazioni dei Graph Transformers su grandi grafi senza i relativi costi computazionali, supportati da una nuova analisi teorica sull'oversmoothing.
Il paper propone SPDIM, un nuovo framework di apprendimento geometrico efficiente in parametri che risolve il problema dell'adattamento di dominio senza sorgente (SFUDA) nei segnali EEG, superando i limiti dei metodi precedenti nell'affrontare sia lo spostamento condizionale che quello delle etichette (label shift) attraverso l'ottimizzazione su varietà Riemanniane.
Questo articolo propone un framework di prognostica non supervisionato che, utilizzando dati di guasto non etichettati, identifica simultaneamente modalità di guasto latenti e seleziona sensori informativi per migliorare la previsione della vita utile residua negli habitat spaziali profondi autonomi.
Il paper presenta MS-HGNN, una rete neurale su grafo eterogeneo che integra le simmetrie morfologiche e le strutture cinematiche dei robot per apprendere la dinamica con elevata generalizzabilità ed efficienza, validando l'approccio su diversi sistemi quadrupedi reali e simulati.
Il paper introduce CuriousBot, un sistema robotico mobile che supera i limiti delle attuali metodologie basate sulla sola percezione attiva, utilizzando un grafo relazionale di oggetti 3D per abilitare un'esplorazione interattiva efficace e generalizzabile in ambienti complessi.
Questo studio dimostra che semplici impronte digitali molecolari, pur catturando solo caratteristiche a corto raggio, superano i modelli complessi basati su reti neurali e trasformatori nella previsione delle funzioni peptidiche, sfidando la presunta necessità di modellare le dipendenze a lungo raggio.
Questo articolo presenta Astromer 2, un modello fondazionale migliorato per l'analisi delle curve di luce che, grazie all'apprendimento auto-supervisionato su 1,5 milioni di dati e all'uso di embedding pesati, supera significativamente il suo predecessore Astromer 1 e i modelli precedenti, ottenendo un miglioramento del 15% nel punteggio F1 anche con dataset etichettati molto limitati.
Questo studio propone un quadro unificato per valutare come la personalizzazione dei modelli di machine learning influenzi simultaneamente previsioni e spiegazioni, rivelando che tali impatti possono divergere e fornendo limiti teorici per determinare la fattibilità statistica di rilevare tali effetti in contesti reali ad alto rischio.
Il paper introduce il concetto di "firma spaziale" per mappare i punti dati in uno spazio geometrico che semplifica l'analisi della robustezza delle valutazioni basate sui semivalori rispetto alle variazioni della funzione di utilità, proponendo una metrica pratica per quantificare tale stabilità.
Il paper presenta un framework end-to-end che utilizza l'inferenza senza verosimiglianza per stimare le distribuzioni posteriori dei parametri fisici degli oggetti deformabili lineari (DLO), permettendo l'addestramento in simulazione di politiche visuomotorie specifiche per oggetto che vengono poi deployate con successo nel mondo reale in modalità zero-shot.
Il paper introduce il metodo Feature Importance Rescaling (FIR), una tecnica teoricamente fondata che migliora l'affidabilità della valutazione della qualità del clustering in presenza di rumore e feature irrilevanti, aumentando la correlazione tra gli indici di validità e la verità fondamentale.
Questo articolo presenta il concetto di unità funzionali come ponte fondamentale per colmare il divario tra le tradizionali correlazioni struttura-proprietà e il nuovo paradigma di scoperta dei materiali basato sull'intelligenza artificiale, facilitando la progettazione multiscale e l'eredità della conoscenza.
Il paper introduce HyConEx, un classificatore basato su hypernetwork progettato per dati tabulari che combina previsioni accurate e spiegazioni locali sotto forma di esempi controfattuali in un'unica rete neurale.
Questo studio presenta formulazioni di programmazione lineare intera mista per costruire alberi modello globalmente ottimali con macchine a vettori di supporto lineari nelle foglie, dimostrando che tali alberi raggiungono un'accuratezza competitiva con strutture molto più compatte rispetto agli algoritmi greedy e ad altri metodi standard.
Questo articolo propone una critica consequenzialista alle pratiche di valutazione della classificazione binaria, sostenendo l'adozione di regole di scoring adeguate come il punteggio Brier attraverso un nuovo framework decisionale e il pacchetto Python `briertools`, che colmano il divario tra teoria e pratica dominata da metriche a soglia fissa.