8289 articoli
Il paper introduce TimeWarp, un benchmark che valuta la robustezza degli agenti web di fronte ai cambiamenti dell'interfaccia, e propone TimeTraj, un algoritmo che migliora significativamente le prestazioni degli agenti insegnando loro a generalizzare attraverso diverse versioni storiche dei siti web.
Questo studio dimostra che i modelli basati su Transformer con testine di output evidenziali, validati sul dataset HUPA-UCM, offrono il quadro più efficace per la previsione della glicemia e la quantificazione dell'incertezza nel diabete di tipo 1, garantendo sia maggiore accuratezza predittiva sia stime di incertezza meglio calibrate rispetto alle architetture LSTM e GRU.
Il paper presenta WaterSIC, un nuovo algoritmo di quantizzazione lineare che, ispirandosi alla soluzione "waterfilling" dell'informazione teorica, assegna tassi di quantizzazione differenziati alle colonne della matrice dei pesi per raggiungere prestazioni near-ottimali e superare i limiti degli attuali metodi come GPTQ su modelli LLM come Llama e Qwen.
Lo studio dimostra che riproporre i dati generici pre-addestrati durante il fine-tuning migliora le prestazioni sui compiti target, aumentando l'efficienza dei dati e i risultati pratici in domini specifici come la navigazione web e il question-answering in basco.
Il paper propone MOUE, un'architettura Mixture-of-Experts generalizzata che introduce la "larghezza virtuale" riutilizzando esperti universali tra i livelli per superare i limiti di scalabilità, risolvendo le sfide di routing e bilanciamento del carico attraverso una topologia rotazionale sfalsata e meccanismi di correzione specifici, ottenendo così prestazioni superiori rispetto ai modelli MoE tradizionali.
Questo lavoro propone un metodo di fusione di modelli linguistici basato sulla media di Karcher sulla varietà di Fisher-Rao, che supera i limiti delle approssimazioni euclidee preservando la funzionalità e la stabilità anche durante la combinazione di numerosi esperti eterogenei.
Il paper propone RefQuery, un framework di apprendimento per trasferimento leggero e scalabile per il monitoraggio non intrusivo dei carichi che, utilizzando un modello preaddestrato congelato e adattabile tramite embedding specifici per apparecchio, risolve le sfide di generalizzazione cross-dominio e permette un'implementazione efficiente su dispositivi edge.
Questo studio introduce un framework di apprendimento per rinforzo multi-operatore che integra la teoria della scelta discreta per modellare la competizione endogena nei sistemi AMoD, dimostrando come l'interazione strategica tra operatori porti a dinamiche di prezzo e riposizionamento delle flotte distinte rispetto agli scenari monopolistici.
Il paper estende il fenomeno dell'Edge of Stability agli ottimizzatori non euclidei definendo una misura generalizzata di sharpness basata su norme arbitrarie, dimostrando sperimentalmente che anche metodi come la discesa del gradiente e Block CD mostrano una progressiva affilatura seguita da oscillazioni attorno alla soglia teorica .
Questo lavoro propone BA-Logic, un nuovo metodo per attacchi backdoor "clean-label" sulle Graph Neural Networks che, superando i limiti delle tecniche esistenti, modifica la logica predittiva interna del modello per garantire un'efficace avvelenamento senza alterare le etichette di addestramento.
Questo articolo introduce l'indice CIES, una metrica matematicamente fondata per quantificare la stabilità delle spiegazioni dei modelli di Intelligenza Artificiale in contesti aziendali, fornendo agli operatori uno strumento per valutare l'affidabilità delle decisioni automatizzate di fronte a perturbazioni dei dati.
Il paper introduce RepoLaunch, il primo agente basato su LLM in grado di automatizzare completamente la risoluzione delle dipendenze, la compilazione e l'estrazione dei risultati dei test per repository in qualsiasi linguaggio e piattaforma, abilitando così la creazione scalare di dataset per l'addestramento e il benchmarking di agenti di ingegneria del software con un intervento umano limitato alla sola progettazione dei task.
Il paper presenta GELO, un protocollo di obfuscation leggero per l'inferenza di LLM che protegge la privacy delle prompt su acceleratori non fidati mascherando gli stati nascosti con una miscelazione invertibile e casuale per ogni batch, garantendo così l'equivalenza dei risultati finali con un overhead di latenza contenuto e una forte resistenza agli attacchi statistici.
Il paper propone MCEL, una nuova funzione di perdita basata sui margini che migliora significativamente la tolleranza agli errori di bit nelle reti neurali quantizzate senza richiedere l'onerosa iniezione di errori durante l'addestramento.
Questo studio analizza l'andamento asintotico dell'apprendimento multi-task, dimostrando che la combinazione di compiti correlati equivale a una regolarizzazione implicita che migliora la generalizzazione e mitiga il fenomeno del "double descent".
Questo articolo presenta un framework di jamming amichevole basato sull'apprendimento profondo che garantisce la sicurezza fisica nei sistemi ISAC multicarrier in presenza di incertezza del canale e di posizioni di intercettatori sconosciute, sfruttando l'feedback degli echi radar e un'estimatore non parametrico della matrice di Fisher per ottimizzare congiuntamente la formazione del fascio e il jamming senza richiedere informazioni sul canale dell'intercettatore.
Il paper introduce RCRL, un framework che addestra un singolo agente a ottimizzare una famiglia di funzioni di ricompensa condizionate su parametri specifici, permettendo un adattamento efficiente a nuove preferenze di compito senza sacrificare la semplicità dell'addestramento su un singolo obiettivo.
Questo articolo presenta un nuovo algoritmo di clustering basato sul modello generalizzato di Kuramoto per dati sulla sfera unitaria, che dimostra prestazioni superiori o comparabili rispetto ai metodi tradizionali su dataset sintetici e reali.
Il paper presenta Aura, un framework universale che migliora le previsioni delle serie temporali nel settore aeronautico integrando in modo efficace fattori esogeni eterogenei e multimodali attraverso un meccanismo di codifica tripartito, ottenendo prestazioni superiori su un vasto dataset industriale.
Questo lavoro propone un nuovo metodo di attribuzione Shapley basato su flussi generativi ottimali che, minimizzando l'energia cinetica lungo geodetiche di Wasserstein-2, garantisce attribuzioni coerenti con la varietà dei dati, risolvendo i problemi di deriva geometrica e offrendo stabilità teorica rispetto agli approcci esistenti.