8451 articoli
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.
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.