8581 articoli
Questo articolo propone un nuovo framework avversario profondo che integra la variabilità inter-soggetto per generare rappresentazioni di caratteristiche invarianti al soggetto, migliorando così le prestazioni del riconoscimento delle attività umane basate su sensori inerziali in scenari di generalizzazione a nuovi utenti.
Il paper presenta TopKGraphs, un metodo non parametrico e interpretabile che stima l'affinità tra nodi combinando cammini casuali con bias di similarità Jaccard e aggregazione robusta dei ranghi, dimostrando prestazioni superiori o competitive rispetto alle tecniche esistenti in vari scenari di analisi di rete.
Questo studio dimostra che le Reti Neurali a Fascio (SNN) non richiedono necessariamente mappe di restrizione apprendibili per mitigare l'oversmoothing nei grafi eterofili, poiché una versione di base con mappe identiche fisse raggiunge prestazioni comparabili su diversi benchmark.
Questo articolo esamina l'uso della sintesi dei dati generata dall'intelligenza artificiale per l'inferenza statistica, analizzando modelli, benefici, limiti e rischi, al fine di fornire raccomandazioni pratiche per un utilizzo valido e affidabile.
Il paper presenta MobileFetalCLIP, un modello studentesco leggero da 11,4 milioni di parametri che supera i fondamenti esistenti grazie a una nuova tecnica di distillazione della conoscenza repulsiva selettiva, consentendo l'analisi in tempo reale degli ultrasuoni fetali su dispositivi mobili con risorse limitate.
Il paper propone una rete neurale interpretabile basata su prototipi per dati tabulari medici, che utilizza patching addestrabile su feature discretizzate per generare previsioni trasparenti e allineate al linguaggio clinico, mantenendo prestazioni competitive con i modelli esistenti.
Questo lavoro introduce un quadro unificato per l'ensembling di modelli linguistici tramite distribuzioni -ensemble, utilizzando un algoritmo Sequential Monte Carlo a livello di byte per campionare coerentemente da distribuzioni aggregate anche con vocabolari diversi, superando i limiti delle tecniche di aggregazione tradizionali.
Il paper introduce OPSDC, un metodo di auto-distillazione on-policy che addestra i modelli di ragionamento a generare risposte più concise riducendo il rumore e migliorando l'accuratezza senza richiedere dati di verità fondamentale o budget di token fissi.
Il paper propone LWAIL, un nuovo framework di apprendimento per imitazione avversaria che, sfruttando una distanza di Wasserstein calcolata in uno spazio latente dinamico appreso tramite ICVF, permette di raggiungere prestazioni da esperto utilizzando solo pochi episodi di dimostrazioni contenenti esclusivamente stati.
Questo lavoro propone un metodo di apprendimento sequenziale vincolato che utilizza un layer di output strutturato in Kraus per garantire aggiornamenti fisicamente validi degli stati quantistici da misurazioni continue, dimostrando che un'architettura basata su LSTM supera le controparti non vincolate e altri modelli nel tracciamento di traiettorie con deriva parametrica.
Il paper dimostra che l'uso del temperamento posteriore nei modelli statistici singolari genera una gerarchia di funzioni di risposta termodinamica che unifica concetti di apprendimento singolare come RLCT e WAIC, fornendo un quadro interpretativo coerente per la complessità e la riorganizzazione strutturale in modelli come le reti neurali.
Il paper introduce SurvHTE-Bench, il primo benchmark completo per la valutazione rigorosa e riproducibile dei metodi di stima degli effetti del trattamento eterogenei su dati di sopravvivenza censurati, basato su una suite diversificata di dataset sintetici, semi-sintetici e reali.
Lo studio dimostra che l'analisi delle attivazioni può rilevare la "teatro del ragionamento" nei modelli AI, consentendo un'uscita anticipata che riduce drasticamente il consumo di token mantenendo l'accuratezza, specialmente per domande di facile recall.
Questo studio utilizza modelli LLM cinesi censurati come banco di prova naturale per valutare tecniche di elicitarazione della verità e rilevamento delle menzogne, scoprendo che metodi come il prompting few-shot e il fine-tuning migliorano significativamente l'onestà, sebbene nessuna tecnica riesca a eliminare completamente le risposte false.
Il paper propone un nuovo framework a tre stadi che combina etichette imperfette a basso costo, pre-addestramento supervisionato e affinamento auto-supervisionato per ottimizzare in modo efficiente problemi complessi, riducendo fino a 59 volte i costi offline pur garantendo maggiore accuratezza e convergenza.
Il paper introduce POET-X, una variante scalabile ed efficiente dal punto di vista della memoria del framework POET che, riducendo i costi computazionali delle trasformazioni ortogonali, permette l'addestramento di modelli linguistici su larga scala su una singola GPU H100 dove i metodi standard fallirebbero.
RoboPocket è un sistema portatile basato su smartphone che utilizza la realtà aumentata per visualizzare le previsioni di un robot, permettendo agli operatori di raccogliere dati mirati e aggiornare istantaneamente le politiche di apprendimento senza bisogno di un robot fisico, raddoppiando così l'efficienza dei dati rispetto alle strategie offline.
Il paper presenta RATE, un nuovo modello Transformer ricorrente con memoria per l'apprendimento per rinforzo offline che supera i limiti delle architetture standard negli ambienti parzialmente osservabili migliorando significativamente le prestazioni nei compiti che richiedono memoria, pur mantenendo la competitività su benchmark standard.
Il paper introduce Crystal-GFN, un modello generativo basato su GFlowNet che, operando come rete multi-ambiente continua-discreta, campiona efficientemente strutture cristalline valide e diversificate con proprietà desiderate e vincoli fisico-chimici per accelerare la scoperta di nuovi materiali solidi.
GeoTop è un framework matematicamente fondato che unisce l'Analisi Topologica dei Dati e le Curvature di Lipschitz-Killing per risolvere l'ambiguità tra strutture benigne e maligne nell'imaging diagnostico, migliorando significativamente l'accuratezza e l'interpretabilità nella classificazione delle lesioni cutanee.