8317 articoli
Il paper presenta ARC-TGI, un framework open-source di generatori di task validati da umani e basati su catene di ragionamento che producono compiti ARC-AGI diversificati e risolvibili, permettendo un campionamento scalabile e una valutazione controllata per superare i limiti dei dataset statici.
Il paper introduce BLINK, un modello ricorrente a spazio latente basato su traiettorie che analizza le interazioni tra cellule NK e tumorali per prevedere l'esito citotossico e fornire una rappresentazione interpretabile dei comportamenti cellulari nel tempo.
Questo articolo propone un curricolo di ricompensa a due stadi che disaccoppia gli obiettivi specifici del compito dai termini comportamentali, migliorando l'esplorazione e la stabilità dell'addestramento nel reinforcement learning per la robotica rispetto ai metodi tradizionali.
Il documento propone FedBCGD e la sua versione accelerata FedBCGD+, nuovi metodi di discesa del gradiente a coordinate bloccate per l'apprendimento federato che riducono significativamente l'overhead di comunicazione e migliorano la convergenza per modelli su larga scala suddividendo i parametri in blocchi.
Il paper propone SRasP, un metodo innovativo per l'apprendimento few-shot cross-domain che utilizza perturbazioni di stile avversarie auto-riorientate e un'ottimizzazione multi-obiettivo per migliorare la stabilità e la generalizzazione su domini non visti.
Questo studio applica modelli di diffusione guidati da principi fisici per generare campi di concentrazione coerenti e prevedere accuratamente le concentrazioni di uscita in reazioni chimiche in fase gassosa, dimostrando il potenziale di questi modelli per l'inferenza in sistemi di trasporto reattivo.
Questo lavoro stabilisce una corrispondenza esatta tra la potenza espressiva delle reti neurali su grafi ricorrenti e quella dei circuiti aritmetici ricorrenti operanti sui numeri reali, dimostrando che i due modelli sono computazionalmente equivalenti.
Questo articolo dimostra teoricamente e sperimentalmente che i transformer apprendono il ragionamento analogico allineando le rappresentazioni di entità con proprietà simili, un processo che richiede un curriculum di addestramento specifico e la presenza esplicita di ponti identitari nei dati.
Il paper introduce fedCI e fedCI-IOD, un framework federato che permette di scoprire relazioni causali in dataset eterogenei e distribuiti sotto vincoli di confondimento latente, preservando la privacy e migliorando la potenza statistica senza centralizzare i dati.
Lo studio dimostra che l'uso di tecniche di pre-elaborazione come il ritaglio dei polmoni può ridurre l'apprendimento di scorciatoie razziali nei modelli di diagnosi radiografica mantenendo al contempo l'accuratezza diagnostica, evitando così il compromesso tra equità e prestazioni.
Il paper propone Alt-FL, un nuovo framework per l'apprendimento federato che bilancia privacy, qualità ed efficienza attraverso una strategia di intercalamento round-based che combina Differenziale Privacy, Crittografia Omomorfica e dati sintetici, dimostrando sperimentalmente che l'intercalamento della privacy offre il miglior compromesso a livelli di protezione elevati.
Il documento presenta GeoDVF, un quadro variaziale profondo adattivo alla geometria che risolve le limitazioni dei solver numerici nel modello di Landau-Brazovskii ottimizzando simultaneamente il parametro d'ordine e le dimensioni del dominio computazionale per scoprire stati ordinati stabili e metastabili senza stress artificiale.
Il paper propone un nuovo strato di quantizzazione addestrabile basato su funzioni sigmoidi che comprime le feature di input delle reti neurali tramite una quantizzazione soft a bit, permettendo di ridurre il trasferimento dati da dispositivi edge ai server remoti con fattori di compressione fino a 16 volte senza compromettere significativamente l'accuratezza del modello.
Questo lavoro propone un quadro normativo per l'IA basato sulla teoria del disegno dei meccanismi e sulla probabilità imprecisa, dimostrando che è possibile ottenere un esito di mercato perfetto (escludendo i fornitori non conformi e includendo quelli conformi) se e solo se l'insieme delle distribuzioni non conformi forma un insieme credale.
Il documento presenta STCV, un nuovo algoritmo di regressione sparsa che utilizza il coefficiente di presenza come metrica statistica per garantire l'identificazione robusta e invariante alla scala dei dati delle leggi fisiche non lineari, superando i limiti dei metodi tradizionali come STLSQ e E-SINDy in presenza di rumore e normalizzazione.
Il paper presenta Stable-LoRA, una strategia di ottimizzazione che risolve l'instabilità intrinseca dell'inizializzazione non nulla di LoRA riducendo dinamicamente la matrice A nelle fasi iniziali, garantendo così un apprendimento delle caratteristiche stabile e prestazioni superiori senza costi computazionali aggiuntivi.
Questo articolo propone un metodo di ottimizzazione per la selezione del vocabolario nei modelli di bozza dello speculative decoding, che bilancia copertura e latenza riducendo fino al 97% la dimensione del vocabolario e migliorando il throughput fino al 20% su compiti specifici di dominio.
Questo studio presenta IAENet, un innovativo framework di apprendimento multi-etichetta basato su Transformer che, integrando un dataset specifico (MuAE) e una nuova funzione di perdita, supera le limitazioni degli approcci esistenti nel prevedere tempestivamente eventi avversi intraoperatori multipli, migliorando significativamente la sicurezza del paziente.
Il paper presenta KARL, un sistema di agenti di ricerca aziendale addestrati tramite apprendimento per rinforzo che, grazie a un nuovo benchmark (KARLBench), dati sintetici e un paradigma di post-addestramento iterativo, raggiunge prestazioni all'avanguardia e supera i modelli chiusi più potenti in compiti complessi di ragionamento e ricerca.
Questo lavoro propone un nuovo framework per stimare regole decisionali individualizzate ottimali che integrano vincoli di parità demografica e condizionale, permettendo di mitigare le discriminazioni tramite perturbazioni computazionalmente efficienti delle regole non vincolate, come dimostrato sia teoricamente che empiricamente.