7726 articoli
Il paper presenta un sistema di riconoscimento delle attività basato su una rete neurale convoluzionale circolare a dilatazione (CDCNN) che elabora dati multi-modali da plantari intelligenti, ottenendo un'accuratezza del 86,42% nell'identificazione di quattro classi di movimento e dimostrando la fattibilità di un'implementazione in tempo reale su dispositivi embedded.
Questo lavoro propone il framework MTDP, che utilizza la distillazione multi-teacher da modelli fondazionali visivi e temporali per pre-addestrare modelli EEG in modo più efficiente, ottenendo prestazioni superiori con solo il 25% dei dati di pre-addestramento necessari rispetto ai metodi auto-supervisionati tradizionali.
Questo studio analizza i tempi di arresto totali della congettura di Collatz attraverso una prospettiva di apprendimento automatico probabilistico, confrontando un modello di regressione gerarchica bayesiana con un'approssimazione generativa meccanica e dimostrando che la struttura modulare a basso ordine è un fattore chiave nell'eterogeneità osservata.
Questo studio introduce Ab-Affinity, un nuovo modello linguistico su larga scala in grado di prevedere con precisione l'affinità di legame degli anticorpi contro il peptide bersaglio, come la proteina spike del SARS-CoV-2, sfruttando i recenti progressi nell'intelligenza artificiale e la disponibilità di dati sperimentali.
Questo lavoro introduce un framework di apprendimento contrastivo che allinea gli spettri a raggi X con la conoscenza estratta dalla letteratura scientifica, creando rappresentazioni multimodali condivise che migliorano la stima delle variabili fisiche e facilitano l'identificazione di sorgenti astrofisiche rare o poco comprese.
Il progetto introduce il "Projected Hessian Learning" (PHL), un metodo scalabile che addestra potenziali interatomici basati sull'apprendimento automatico utilizzando prodotti vettore-Hessiano invece della matrice Hessiana completa, ottenendo così una supervisione della curvatura ad alta precisione con costi computazionali e di memoria ridotti rispetto ai metodi tradizionali.
Il paper propone la "Volterra signature" come una rappresentazione esplicita e interpretabile per sistemi dipendenti dal passato, dimostrando teoremi di approssimazione universale, un metodo di calcolo efficiente basato su equazioni integrali e prestazioni superiori rispetto alle firme di percorso classiche in compiti di apprendimento dinamico.
Questo articolo propone l'Invarianza Causale di Instradamento (ICR), un quadro di governance che combina il ragionamento controfattuale e la scoperta causale invariante per identificare relazioni stabili tra politiche e norme sociali, consentendo interventi interpretabili ed efficaci nelle economie di mercato online anche in presenza di cambiamenti distributivi.
Il paper presenta un nuovo framework generativo profondo che, superando la lentezza dei metodi basati sulla diffusione, permette un campionamento efficiente delle distribuzioni posteriori ad alta dimensionalità, dimostrando efficacia nel delensing della radiazione cosmica di fondo (CMB) e robustezza rispetto a variazioni dei parametri cosmologici.
Il paper presenta KG-WISE, un sistema di inferenza guidato da LLM che ottimizza l'esecuzione di modelli GNN su grandi grafi della conoscenza decomponendo i modelli in componenti granulari e caricando solo i dati semanticamente rilevanti, ottenendo così significativi miglioramenti in termini di velocità e consumo di memoria rispetto alle soluzioni esistenti.
Questo lavoro presenta un nuovo algoritmo di apprendimento ibrido efficiente in termini di oracolo che, vincolando l'avversario a una classe di funzioni fissa, raggiunge simultaneamente ottimalità statistica ed efficienza computazionale, con applicazioni alla risoluzione di giochi a somma zero stocastici.
Questo studio presenta un framework basato su un ensemble di modelli ConvLSTM che, utilizzando dati spaziotemporali eterogenei, supera le prestazioni dei modelli tradizionali nel prevedere il rischio di incidenti stradali legati alle condizioni meteorologiche, con particolare efficacia nelle zone ad alto rischio.
Il documento presenta il Latent Particle World Model (LPWM), un modello del mondo auto-supervisionato e incentrato sugli oggetti che, analizzando direttamente i dati video, scopre autonomamente le componenti della scena e modella la dinamica stocastica per ottenere risultati all'avanguardia sia nella generazione video che nel processo decisionale.
Questo studio analizza diverse strategie di fusione e raggruppamento per migliorare l'accuratezza della classificazione delle Zone Climatiche Locali (LCZ) utilizzando dati di telerilevamento multimodali, dimostrando che un modello ibrido di base combinato con il raggruppamento delle bande e la fusione dei livelli decisionali raggiunge la massima precisione del 76,6% sul dataset So2Sat LCZ42.
Questo studio indaga la correlazione tra l'oblio catastrofico e il collasso strutturale nelle reti neurali, dimostrando attraverso diverse architetture e strategie di apprendimento continuo che la perdita di plasticità, misurata tramite il rango effettivo (eRank), è strettamente legata alla difficoltà di apprendere nuovi compiti senza dimenticare quelli precedenti.
Il documento evidenzia come i sistemi di monitoraggio basati su modelli linguistici siano affetti da un "bias di auto-attribuzione" che li porta a valutare meno criticamente le azioni da loro stesse generate rispetto a quelle presentate dall'utente, creando un rischio di sovrastima della loro affidabilità durante il dispiegamento reale.
Questo articolo propone un innovativo framework di intelligenza artificiale multimodale a fusione tardiva che, integrando embedding semantici, pattern comportamentali e metadati dei dispositivi, risolve il problema della deduplicazione dei dati sanitari nazionali in modo scalabile e nel pieno rispetto della privacy, superando i limiti dei metodi tradizionali basati su identificatori diretti.
Questo lavoro dimostra che l'adattamento di un modello fondazionale per equazioni differenziali parziali (PDE) migliora l'efficienza nel campionamento e l'accuratezza nella stima inversa dei parametri del sistema e nella ricostruzione di immagini iperspettrali per la fusione a confinamento inerziale, superando l'addestramento da zero, specialmente in scenari con dati limitati.
Questo lavoro stabilisce una rigorosa equivalenza variazionale e basata sul gradiente tra l'algoritmo K-Means e le reti neurali a funzioni di base radiale differenziabili, dimostrando come l'ottimizzazione continua dei centri RBF si riduca alla regola di aggiornamento dei centroidi K-Means nel limite di temperatura nulla e proponendo l'uso di Entmax-1.5 per garantire stabilità numerica.
Questo lavoro propone algoritmi ottimali per il test di indipendenza delle distribuzioni che, integrando informazioni predittive ausiliarie, garantiscono validità nel caso peggiore e migliorano significativamente l'efficienza del campionamento quando le previsioni sono accurate, estendendo il risultato al caso multivariato e fornendo limiti inferiori minimax corrispondenti.