8587 articoli
Il paper presenta Implicit U-KAN 2.0, una nuova architettura di segmentazione medica basata su equazioni differenziali ordinarie neurali del secondo ordine e strati MultiKAN, che migliora l'efficienza, l'interpretabilità e le prestazioni teoriche rispetto ai metodi esistenti.
Questo articolo propone l'approccio TS4NAP, che utilizza la similarità tra tassonomie mediche (ICD-10-CM e ICD-10-PCS) e il matching di grafi per migliorare e rendere spiegabile la previsione del prossimo passo terapeutico nei processi di cura dei pazienti, valutata su dati del dataset MIMIC-IV.
Questo studio analizza nove dimensioni di qualità dei modelli di classificazione delle immagini oltre alla sola accuratezza, rivelando l'impatto di diverse strategie di addestramento e introducendo il punteggio QUBA per valutare e raccomandare modelli ben comportati in base alle esigenze specifiche.
Questo paper presenta \data, un dataset focalizzato sulle interazioni tra entità, e \model, un metodo che sfrutta i Modelli Linguistici Multimodali per decomporre le interazioni e raffinare le immagini generate, migliorando significativamente la qualità delle relazioni spaziali e funzionali tra gli oggetti.
Il documento presenta PinRec, un modello di recupero generativo scalabile sviluppato da Pinterest che utilizza la generazione condizionata agli esiti e multi-token per bilanciare efficacemente metriche aziendali, diversità ed efficienza nei sistemi di raccomandazione su larga scala.
Il documento presenta il modello formale N2M-RSI, che dimostra come un agente AI che utilizza i propri output come dati di addestramento possa generare una crescita illimitata della complessità interna una volta superata una specifica soglia di integrazione informativa, unificando concetti di auto-prompting e riferimento godeliano in un framework agnostico rispetto all'implementazione.
Il paper presenta Akkumula, un framework basato su reti neurali a impulsi (SNN) che migliora i modelli di guida simulando l'accumulo di prove per rendere più realistici e adattabili i processi decisionali dei conducenti.
Questo studio introduce PubHealthBench, un nuovo benchmark basato su oltre 8000 domande derivate dalle linee guida del governo britannico, per valutare le conoscenze di 24 modelli linguistici (LLM) nel campo della sanità pubblica, rivelando che, sebbene i modelli proprietari più recenti superino gli umani nelle risposte a scelta multipla, mostrano prestazioni inferiori nelle risposte in formato libero, indicando la necessità di ulteriori misure di sicurezza.
Questo articolo presenta le fondamenta teoriche e l'architettura di un singolo agente del framework EG-MRSI, un sistema innovativo che integra metacognizione, motivazione intrinseca basata sulle emozioni e auto-modifica ricorsiva per guidare lo sviluppo verso un'AGI aperta e sicura.
Gli autori propongono un nuovo framework di apprendimento non supervisionato per la Minimizzazione del Rischio Invariante (IRM) che, attraverso i metodi PICA e VIAE, allinea le distribuzioni delle caratteristiche per apprendere rappresentazioni robuste e generalizzabili tra diversi ambienti senza fare affidamento su dati etichettati.
TSPulse è una famiglia di modelli pre-addestrati ultra-leggeri che, grazie a rappresentazioni disaccoppiate in domini temporali, spettrali e semantici, supera le prestazioni di modelli molto più grandi su diverse attività di diagnostica delle serie temporali abilitando un trasferimento zero-shot efficiente e un deployment senza GPU.
Questo lavoro introduce un nuovo limite inferiore teorico e un algoritmo modificato basato su Track-and-Stop che, sfruttando la conoscenza a priori del numero di bracci ottimali, raggiungono l'ottimalità asintotica nell'identificazione di un braccio migliore in contesti con più soluzioni ottimali.
Questo lavoro propone "Feature Mixing", un metodo semplice e veloce per la sintesi di outlier multimodali che, insieme al nuovo dataset CARLA-OOD, raggiunge prestazioni all'avanguardia nella rilevazione e segmentazione di dati fuori distribuzione con un significativo aumento di velocità rispetto alle tecniche esistenti.
Lo studio analizza le proprietà di convergenza e le dinamiche di fuga dello Stochastic Gradient Descent (SGD) in paesaggi unidimensionali, dimostrando come il rumore e la geometria della funzione influenzino i tempi di transizione tra i minimi locali e i massimi, evidenziando che l'algoritmo può rimanere intrappolato vicino a massimi locali ma tende a sfuggire da massimi "acuti" per raggiungere i minimi adiacenti.
Questo paper introduce il dataset BAH, un nuovo insieme di dati multimodale composto da 1.427 video annotati da esperti per il riconoscimento automatico dell'ambivalenza e dell'esitazione nei contesti di cambiamento comportamentale digitale, fornendo anche risultati preliminari che evidenziano la necessità di modelli spaziotemporali avanzati.
Il paper presenta SafeDPO, un metodo leggero e teoricamente fondato che ottimizza direttamente la sicurezza dei modelli linguistici senza reward model o campionamento online, ottenendo eccellenti compromessi tra sicurezza e utilità su benchmark come PKU-SafeRLHF-30K.
Il paper presenta TADA, un framework che utilizza modelli di diffusione per generare dati sintetici mirati solo su un sottogruppo di esempi non appresi durante l'addestramento, migliorando significativamente la generalizzazione dei classificatori di immagini con un costo computazionale ridotto rispetto alle tecniche di aumento tradizionali.
Il paper propone un filtro supervisionato basato sulla copula di Gumbel per la selezione delle caratteristiche nella previsione del rischio di diabete, che identifica in modo efficiente i fattori di rischio estremi e dimostra prestazioni competitive rispetto ai metodi standard su dataset clinici e di salute pubblica.
Il paper propone la Calibrazione Supervisionata (SC), un nuovo framework basato sulla minimizzazione della perdita che supera i limiti delle tecniche di calibrazione esistenti per l'Apprendimento in Contesto (ICL) nei LLM, permettendo di modificare l'orientamento dei confini decisionali e integrando regolarizzatori per migliorare la stabilità e le prestazioni su diversi modelli e dataset.
Questo articolo esamina il divario tra la teoria dell'approssimazione e la pratica dell'apprendimento automatico, analizzando le tendenze emergenti e presentando una nuova ricerca per l'approssimazione funzionale su varietà sconosciute senza la necessità di apprendere caratteristiche specifiche della varietà.