8616 articoli
Gli autori presentano un sistema di monitoraggio delle vibrazioni strutturali basato su un processore ottico diffrattivo e una rete neurale leggera che, eliminando la necessità di array di sensori densi, permette di ricostruire in tempo reale gli spettri di vibrazione 3D con maggiore precisione, basso consumo energetico e costi ridotti.
Il paper presenta AutoQD, un metodo che automatizza la scoperta di comportamenti diversificati negli algoritmi di ottimizzazione Qualità-Diversità generando descrittori comportamentali basati sulle misure di occupazione delle politiche, eliminando così la necessità di definire manualmente tali descrittori.
Il paper presenta C-EDL, un approccio post-hoc leggero per l'incertezza che, sfruttando trasformazioni diversificate e la misurazione del disaccordo rappresentazionale, migliora significativamente la robustezza e la rilevazione di dati fuori distribuzione o avversari nei modelli di Deep Learning Evidenziale senza richiedere un nuovo addestramento.
Questo studio dimostra che l'uso automatico della stima onesta nei causal forests può ridurre l'accuratezza delle stime degli effetti causali individuali aumentando il rischio di sottostima, suggerendo che tale pratica dovrebbe essere valutata empiricamente in base agli obiettivi applicativi piuttosto che adottata come regola fissa.
Il lavoro propone un nuovo approccio bayesiano che generalizza il metodo federato ADMM sfruttando una struttura di dualità nelle ottimizzazioni variazionali, permettendo di recuperare le classiche aggiornamenti ADMM e di derivare nuove varianti, come quelle di tipo Newton e Adam, che migliorano significativamente l'accuratezza in scenari eterogenei.
Questo lavoro fornisce un'analisi teorica che rivela i limiti degli autoencoder sparsi nel recuperare le caratteristiche monosemantiche fondamentali e propone una strategia di ri-pesatura (WSAE) per migliorare tale recupero, validata sperimentalmente.
Il paper propone un metodo di correzione degli errori di sostituzione in tempo reale durante l'inferenza per risolvere le discrepanze tra pronuncia e ortografia nei sistemi di riconoscimento vocale, ottenendo un miglioramento significativo dell'accuratezza per parole specifiche senza compromettere le prestazioni complessive.
Meta FAIR presenta UMA, una famiglia di modelli universali per gli atomi addestrata su mezzo miliardo di strutture 3D che, grazie a una nuova architettura a "mixture of linear experts", offre velocità e accuratezza superiori senza necessità di affinamento specifico, superando o eguagliando i modelli specializzati in diversi ambiti scientifici.
Il paper presenta UQLM, un pacchetto Python che rileva le allucinazioni nei grandi modelli linguistici calcolando punteggi di incertezza per valutare l'affidabilità delle loro risposte.
Il paper propone Q-SVMPC, un metodo di controllo predittivo basato su modelli guidato da valori Q e prior di policy appresi tramite RL, che utilizza l'inferenza variazionale di Stein per preservare soluzioni multiple e migliorare efficienza, stabilità e robustezza in compiti complessi rispetto alle tecniche esistenti.
Il lavoro propone Fast Equivariant Imaging (FEI), un nuovo framework di apprendimento non supervisionato che, sfruttando il metodo dei moltiplicatori di Lagrange e denoiser Plug-and-Play, accelera di dieci volte l'addestramento di reti per la ricostruzione di immagini (come nella tomografia computerizzata e nel completamento) senza dati di riferimento, migliorando al contempo le prestazioni e abilitando l'adattamento al momento del test.
Il paper propone un'architettura neurale per la separazione e il potenziamento della voce che integra un meccanismo di uscita anticipata probabilistico e basato sull'incertezza, permettendo di risparmiare risorse computazionali su dispositivi eterogenei senza compromettere la qualità del segnale ricostruito.
Questo studio utilizza tecniche di interpretabilità per dimostrare che i grandi modelli linguistici generalizzano compiti nuovi tramite un meccanismo di "induzione di funzioni", in cui più testine di attenzione collaborano per apprendere e riutilizzare strutture astratte come l'addizione con uno spostamento.
Questo studio stabilisce limiti di approssimazione gaussiana per le distribuzioni finite-dimensionali di reti neurali profonde con pesi inizializzati casualmente, dimostrando la convergenza verso un limite gaussiano con tassi specifici quando le larghezze degli strati tendono all'infinito.
Il paper presenta Poker, un nuovo sistema di Programmazione Logica Induttiva (ILP) auto-supervisionato che, in assenza di esempi negativi e di una teoria di fondo specifica, apprende programmi logici ricorsivi generando automaticamente nuovi esempi e utilizzando una teoria di fondo di secondo ordine standardizzata, superando così le limitazioni di generalizzazione eccessiva riscontrate in sistemi esistenti come Louise.
Il paper propone una metodologia di valutazione dipendente dalla struttura temporale che controlla la dimensione campionaria effettiva, fornendo garanzie di generalizzazione per le TCN su sequenze -miste e dimostrando empiricamente che un controllo rigoroso della dipendenza temporale rivela tassi di convergenza significativamente più rapidi rispetto alle valutazioni standard.
Il paper propone ObfusQAte, un nuovo framework che introduce il dataset ObfusQA per valutare la robustezza dei modelli linguistici di grandi dimensioni di fronte a domande fattuali oscurate, rivelando la loro tendenza a fallire o allucinazioni quando confrontati con livelli crescenti di indirection e sovraccarico contestuale.
Il paper presenta l'Algoritmo di Ricottura con Macchine a Fattorizzazione a Sottocampionamento (SFMA), una variante migliorata che utilizza sottoinsiemi di dati per bilanciare esplorazione e sfruttamento nello spazio delle soluzioni, ottenendo prestazioni superiori in velocità e accuratezza rispetto al metodo originale FMA e dimostrando una notevole scalabilità per problemi di ottimizzazione su larga scala.
Lo studio dimostra che le reti generative avversariali quantistiche (QGAN) con generatori a stati puri faticano a generalizzare su dataset di immagini, convergendo verso una media dei dati di addestramento a causa di limiti teorici legati alla fedeltà tra lo stato puro generato e la distribuzione target.
Il paper introduce la "zono-conformal prediction", un nuovo metodo di quantificazione dell'incertezza che utilizza zonotopi per generare set di previsioni con garanzie di copertura statistiche, offrendo una soluzione più efficiente e meno conservativa rispetto alle tecniche conformali tradizionali sia per compiti di regressione che di classificazione.