8581 articoli
Questo lavoro presenta un algoritmo di selezione delle ipotesi localmente differenzialmente privato che, sfruttando un numero ridotto di round interattivi e il concetto di "query critiche", raggiunge una complessità di campionamento ottimale eliminando il fattore logaritmico necessario nelle soluzioni non interattive.
Questa rassegna esamina l'applicazione delle Reti Neurali Grafiche nel riconoscimento delle emozioni tramite EEG, fornendo un quadro unificato per la costruzione dei grafi, analizzando le metodologie esistenti e delineando le sfide future in questo campo.
Questo articolo dimostra che, mentre la convergenza uniforme rimane equivalente all'apprendibilità nel contesto dell'apprendimento PAC con liste, la congettura sulla compressione del campione di Littlestone e Warmuth viene smentita, poiché esistono classi apprendibili con liste che non ammettono alcuna forma di compressione.
Questo lavoro presenta un algoritmo efficiente per la tomografia agnostica degli stati prodotto di stabilizzatori, capace di approssimare uno stato quantistico arbitrario con una fedeltà garantita in tempo polinomiale rispetto al numero di qubit.
Questo articolo esamina le funzioni di ricompensa nell'apprendimento per rinforzo per la guida autonoma, evidenziando le sfide nella loro progettazione, le limitazioni attuali e proponendo future direzioni di ricerca per creare reward strutturati, contestuali e validati.
Questo lavoro estende le garanzie di tracciamento per le disuguaglianze variazionali temporali a funzioni non monotone e a percorsi non sublineari, analizzando inoltre il comportamento di convergenza o caotico di sistemi dinamici periodici e validando i risultati teorici attraverso esperimenti.
Questo lavoro introduce un metodo di meta-apprendimento che tratta gli aggiornamenti della politica come "scatole nere" per apprendere ricompense intrinseche, migliorando l'efficienza dei dati e l'esplorazione degli agenti di reinforcement learning in ambienti con ricompense sparse.
Il paper presenta AuToMATo, un nuovo algoritmo di clustering basato sull'omologia persistente che, grazie a parametri predefiniti e a una procedura di bootstrap, offre prestazioni superiori rispetto ad altri metodi dello stato dell'arte ed è pienamente integrato nell'ecosistema scikit-learn per applicazioni come l'algoritmo Mapper.
Questo lavoro determina la soglia computazionale per il rilevamento di correlazioni in coppie di modelli a blocchi stocastici correlati, dimostrando che i test basati su polinomi di basso grado riescono a distinguere il modello da grafi indipendenti se e solo se la probabilità di campionamento supera il minimo tra la costante di Otter e la soglia di Kesten-Stigum.
Il lavoro propone la procedura Iterative Proportional Markovian Fitting (IPMF), un metodo unificato che combina l'Iterative Markovian Fitting con l'Iterative Proportional Fitting per risolvere in modo stabile ed efficiente il problema del ponte di Schrödinger, garantendo convergenza teorica e offrendo un flessibile compromesso tra somiglianza e qualità nella generazione di immagini.
Il paper presenta ANOMIX, un framework basato su mixup che sintetizza negativi difficili per colmare le lacune nel ragionamento dei metodi GNN esistenti e migliorare il rilevamento delle anomalie di confine nei grafi.
Il paper propone CeGDRO, un approccio che integra l'Apprendimento Curricolare con l'Ottimizzazione Robusta Distribuzionale di Gruppo per inizializzare i pesi del modello su campioni difficili e contrastanti i pregiudizi, ottenendo risultati superiori rispetto allo stato dell'arte su dataset con spostamento di sottopopolazione.
Il paper introduce FlowCLAS, un framework ibrido che potenzia i flussi normalizzanti per la segmentazione delle anomalie nei robot combinando l'obiettivo di massima verosimiglianza con una perdita di contrasto tramite esposizione agli outlier, ottenendo così prestazioni all'avanguardia e colmando il divario con i metodi discriminatori.
Questo articolo presenta FSMLP, un nuovo framework per la previsione delle serie temporali che utilizza un layer MLP basato sulla teoria dei semplici per vincolare i pesi e ridurre l'overfitting nelle dipendenze tra canali, migliorando significativamente accuratezza ed efficienza rispetto ai metodi esistenti.
Questo articolo propone definizioni precise e una metodologia sperimentale standardizzata per classificare e valutare le capacità mnemoniche degli agenti di Reinforcement Learning, colmando le lacune attuali che ostacolano il confronto oggettivo tra diversi approcci.
Il paper propone LoCo-RLHF, un framework che utilizza una struttura a basso rango e una politica pessimistica per allineare efficientemente i grandi modelli linguistici a feedback umani eterogenei e contestuali, garantendo robustezza agli spostamenti distribuzionali e prestazioni superiori.
Questo lavoro teorico ed empirico dimostra che, a differenza dell'apprendimento supervisionato, l'eliminazione degli esempi difficili nell'apprendimento contrastivo non supervisionato migliora le prestazioni di classificazione riducendo i limiti di generalizzazione.
Questo lavoro evidenzia il problema della "preference leakage", una forma di contaminazione nei sistemi LLM-as-a-judge causata dalla correlazione tra generatori di dati sintetici e modelli valutatori, che porta a un pregiudizio sistematico e difficile da rilevare a favore dei modelli correlati.
Il paper introduce MIKASA, una suite di benchmark completa che include un framework di classificazione, MIKASA-Base e MIKASA-Robo, per valutare sistematicamente le capacità di memoria degli agenti di apprendimento per rinforzo in scenari complessi e nella manipolazione robotica.
Il paper introduce il dataset UNB StepUP-P150, una raccolta di oltre 200.000 misurazioni ad alta risoluzione delle pressioni plantari di 150 individui in diverse condizioni di calzatura e velocità, destinata a stabilire un nuovo benchmark per l'analisi e il riconoscimento del passo tramite tecnologie di pressione sotto il piede.