🤖 Category

cs.LG

2316 articoli

EMFusion: Conditional Diffusion Framework for Trustworthy Frequency Selective EMF Forecasting in Wireless Networks

Il documento presenta EMFusion, un framework di previsione probabilistica basato sulla diffusione condizionale che, integrando fattori contestuali e strategie di imputazione, supera le prestazioni dei modelli esistenti nella previsione selettiva in frequenza dei campi elettromagnetici, fornendo stime affidabili con quantificazione esplicita dell'incertezza per la pianificazione delle reti wireless.

Zijiang Yan, Yixiang Huang, Jianhua Pei, Hina Tabassum, Luca Chiaraviglio2026-03-11🤖 cs.AI

Enhancing Reconstruction Capability of Wavelet Transform Amorphous Radial Distribution Function via Machine Learning Assisted Parameter Tuning

Questo studio presenta il framework WT-RDF+, che potenzia la ricostruzione delle funzioni di distribuzione radiale nei materiali amorfi ottimizzando i parametri della trasformata wavelet tramite apprendimento automatico, superando così i modelli ML convenzionali e migliorando la precisione quantitativa per i sistemi Ge-Se e Ag-Ge-Se.

Deriyan Senjaya, Stephen Ekaputra Limantoro2026-03-11🔬 cond-mat.mtrl-sci

Automating Forecasting Question Generation and Resolution for AI Evaluation

Questo lavoro presenta un sistema automatizzato basato su agenti di ricerca web potenziati da LLM per generare e risolvere su larga scala domande di previsione diversificate e verificabili, dimostrando un'efficacia superiore rispetto alle piattaforme umane e migliorando le prestazioni degli agenti di previsione attraverso strategie di decomposizione delle domande.

Nikos I. Bosse, Peter Mühlbacher, Jack Wildman, Lawrence Phillips, Dan Schwarz2026-03-11🤖 cs.AI

Bottleneck Transformer-Based Approach for Improved Automatic STOI Score Prediction

Questo studio presenta un approccio innovativo basato su un'architettura Transformer con collo di bottiglia che, integrando blocchi convoluzionali e un meccanismo di attenzione multi-testa, supera i metodi esistenti nella previsione non intrusiva del punteggio STOI, ottenendo una maggiore correlazione e un errore quadratico medio inferiore sia in scenari noti che inediti.

Amartyaveer, Murali Kadambi, Chandra Mohan Sharma, Anupam Mondal, Prasanta Kumar Ghosh2026-03-11🤖 cs.LG

B-DENSE: Branching For Dense Ensemble Network Supervision Efficiency

Il paper propone B-DENSE, un nuovo framework che migliora l'efficienza dell'inferenza nei modelli di diffusione tramite allineamento denso di traiettorie multi-ramo, permettendo al modello studente di apprendere informazioni strutturali intermedie complete e ottenere una qualità di generazione superiore rispetto alle tecniche di distillazione esistenti.

Cherish Puniani, Tushar Kumar, Arnav Bendre, Gaurav Kumar, Shree Singhi2026-03-11🤖 cs.AI

Missing-by-Design: Certifiable Modality Deletion for Revocable Multimodal Sentiment Analysis

Il paper presenta Missing-by-Design (MBD), un quadro unificato per l'analisi del sentiment multimodale revocabile che combina apprendimento di rappresentazioni strutturate e un processo di modifica dei parametri certificabile per garantire la cancellazione selettiva dei dati e la conformità alla privacy senza richiedere un addestramento completo.

Rong Fu, Ziming Wang, Chunlei Meng, Jiaxuan Lu, Jiekai Wu, Kangan Qian, Hao Zhang, Simon Fong2026-03-11🤖 cs.LG

Continual uncertainty learning

Questo studio propone un nuovo framework di apprendimento continuo basato su curriculum che, integrando un controllore basato su modello con l'apprendimento per rinforzo profondo, scompone il controllo robusto di sistemi meccanici non lineari con molteplici incertezze in una sequenza di compiti gestibili per garantire un trasferimento efficace dalla simulazione alla realtà senza dimenticare le conoscenze apprese.

Heisei Yonezawa, Ansei Yonezawa, Itsuro Kajiwara2026-03-11🤖 cs.AI

Breaking the Factorization Barrier in Diffusion Language Models

Il paper propone CoDD, un framework ibrido che supera la barriera della fattorizzazione nei modelli linguistici di diffusione sostituendo le distribuzioni completamente fattorizzate con un layer di inferenza probabilistica leggero, permettendo così di modellare dipendenze congiunte complesse e ottenere generazioni di alta qualità in pochi passi senza i costi computazionali eccessivi delle soluzioni RL.

Ian Li, Zilei Shao, Benjie Wang, Rose Yu, Guy Van den Broeck, Anji Liu2026-03-11🤖 cs.AI

Detecting Transportation Mode Using Dense Smartphone GPS Trajectories and Transformer Models

Questo studio presenta SpeedTransformer, un modello basato su Transformer che utilizza esclusivamente dati di velocità da traiettorie GPS dense per rilevare con alta precisione i mezzi di trasporto, superando le prestazioni dei modelli tradizionali e dimostrando una forte adattabilità al trasferimento tra diverse regioni geografiche.

Yuandong Zhang, Othmane Echchabi, Tianshu Feng, Wenyi Zhang, Hsuai-Kai Liao, Charles Chang2026-03-11🤖 cs.LG

Non-Rectangular Average-Reward Robust MDPs: Optimal Policies and Their Transient Values

Questo lavoro studia i processi decisionali di Markov robusti non rettangolari con ricompensa media, dimostrando che le politiche ottimali possono essere caratterizzate tramite minimax senza richiedere rectangularità, e proponendo un nuovo quadro di valori transitori che combina politiche stazionarie ottimali con test sequenziali per garantire prestazioni finite nel tempo.

Shengbo Wang, Nian Si2026-03-11🤖 cs.LG

Reasoning as Gradient: Scaling MLE Agents Beyond Tree Search

Il paper introduce \textsc{Gome}, un agente per l'ingegneria del machine learning che sostituisce la ricerca ad albero con l'ottimizzazione basata su gradienti, ottenendo risultati state-of-the-art su MLE-Bench e dimostrando che, man mano che le capacità di ragionamento dei modelli LLM migliorano, questo approccio supera progressivamente i metodi di esplorazione esaustiva.

Yifei Zhang, Xu Yang, Xiao Yang, Bowen Xian, Qizheng Li, Shikai Fang, Jingyuan Li, Jian Wang, Mingrui Xu, Weiqing Liu, Jiang Bian2026-03-11🤖 cs.AI

FinTexTS: Financial Text-Paired Time-Series Dataset via Semantic-Based and Multi-Level Pairing

Il paper presenta FinTexTS, un nuovo dataset su larga scala che associa dati temporali finanziari a notizie testuali attraverso un framework di accoppiamento semantico e multilivello, superando i limiti dei metodi basati su parole chiave e migliorando le prestazioni di previsione dei prezzi azionari.

Jaehoon Lee, Suhwan Park, Tae Yoon Lim, Seunghan Lee, Jun Seo, Dongwan Kang, Hwanil Choi, Minjae Kim, Sungdong Yoo, SoonYoung Lee, Yongjae Lee, Wonbin Ahn2026-03-11🤖 cs.AI

Unveiling the Potential of Quantization with MXFP4: Strategies for Quantization Error Reduction

Il paper introduce due tecniche software, Overflow-Aware Scaling e Macro Block Scaling, che riducono drasticamente il divario di accuratezza tra il formato MXFP4 e NVFP4 nei grandi modelli linguistici, rendendo MXFP4 un'alternativa pratica ed efficiente dal punto di vista hardware senza richiedere modifiche all'hardware.

Jatin Chhugani, Geonhwa Jeong, Bor-Yiing Su, Yunjie Pan, Hanmei Yang, Aayush Ankit, Jiecao Yu, Summer Deng, Yunqing Chen, Nadathur Satish, Changkyu Kim2026-03-11🤖 cs.AI