8660 articoli
Il paper presenta NeuroPareto, un'architettura innovativa che combina filtraggio basato su ranghi, disentanglement dell'incertezza e strategie di acquisizione condizionate dalla storia per ottimizzare efficientemente problemi multi-obiettivo ad alta dimensionalità con costi di valutazione ridotti, superando le prestazioni dei metodi esistenti in termini di vicinanza al fronte di Pareto e ipervolume.
Questo lavoro presenta un framework bayesiano basato sul consenso che rileva attività malevole nei grafi di accesso alle directory aziendali modellando le interazioni utente-direttorio come dinamiche di opinione e identificando le anomalie attraverso la varianza delle opinioni e la violazione delle strutture di componenti fortemente connesse.
Il paper presenta HealthMamba, un modello innovativo basato su stati spaziali a grafo che integra l'incertezza per prevedere in modo accurato e affidabile le visite alle strutture sanitarie, superando i limiti degli approcci esistenti nella modellazione delle dipendenze spaziali e nella gestione delle situazioni di emergenza.
Il paper propone REAL, un nuovo framework che riformula l'ottimizzazione della politica nei modelli linguistici con ricompense verificabili come un problema di classificazione per risolvere le inefficienze dei metodi RLVR esistenti, ottenendo risultati superiori e una maggiore stabilità su benchmark di ragionamento matematico.
Il paper introduce SureLock, un metodo che accelera il decoding dei modelli di linguaggio a diffusione mascherata bloccando i token già convergenti per ridurre i costi computazionali del 30-50% senza compromettere la qualità della generazione.
Questo articolo estende il framework CNF per risolvere equazioni differenziali alle derivate parziali non lineari e accoppiate, proponendo un metodo di collocazione Kansa guidato dall'apprendimento per affrontare problemi diretti, inversi e di scoperta delle equazioni, superando così le limitazioni dei metodi numerici tradizionali.
Questo articolo studia l'omologia degli groupoidi ampi mediante il complesso di Moore a supporto compatto, dimostrando una sequenza esatta universale dei coefficienti per coefficienti discreti, identificando gli ostacoli per coefficienti non discreti e costruendo una sequenza di Mayer-Vietoris per il calcolo omologico.
Il paper presenta FastLSQ, un framework basato su caratteri di Fourier sinusoidali con derivate analitiche esatte che risolve equazioni differenziali alle derivate parziali (PDE) lineari e non lineari in modo estremamente rapido e preciso, superando di ordini di grandezza i solutori PINN iterativi e abilitando applicazioni in problemi inversi e scoperta di PDE.
Il documento presenta i risultati della prima competizione internazionale sulla biometria del passo, che ha utilizzato il nuovo dataset StepUP-P150 per valutare modelli di riconoscimento, evidenziando un tasso di errore del 10,77% come miglior risultato ma sottolineando le sfide persistenti nella generalizzazione a diversi tipi di calzature.
Il paper presenta TIME, un nuovo benchmark di prossima generazione per la valutazione zero-shot dei modelli di base per le serie temporali, che supera i limiti delle risorse esistenti grazie a 50 nuovi dataset, un rigoroso processo di costruzione con supervisione umana e una prospettiva di valutazione basata sui pattern temporali intrinseci.
Il paper presenta Chimera, un framework neuro-simbolico che mappando approssimazioni di attenzione e vincoli simbolici sui primitivi delle pipeline di commutazione programmabile, abilita un'analisi del traffico affidabile e ad alta velocità pur rispettando i rigorosi vincoli hardware.
Il paper propone JPmHC, un framework che migliora la stabilità e l'efficienza delle Hyper-Connections tramite mixer lineari vincolati a varietà ortogonali e un'analisi spettrale della Jacobiana, ottenendo risultati superiori su ARC-AGI rispetto alle basi esistenti.
Il paper introduce DRESS, un framework deterministico e privo di parametri che genera un'impronta digitale invariante per isomorfismo attraverso la convergenza di un sistema dinamico non lineare, offrendo un'espressività pari o superiore al test 2-WL a un costo computazionale significativamente inferiore e generalizzabile a varianti come Motif-DRESS e -DRESS per migliorare ulteriormente la capacità di discriminazione dei grafi.
Il paper presenta FlowCorrect, un approccio modulare di apprendimento per imitazione che consente l'adattamento in tempo reale delle politiche di manipolazione generativa su robot reali tramite correzioni umane sparse, migliorando il successo nei casi falliti senza necessità di riaddestramento del modello.
Il paper introduce AOT-SFT e il framework di auto-gioco AOT, che generano dinamicamente dati di addestramento avversariali per migliorare la robustezza percettiva e ridurre le allucinazioni dei Modelli Linguistici Multimodali.
Il paper presenta GR4AD, un sistema di raccomandazione generativa orientato alla produzione per la pubblicità su larga scala che integra tokenizzazione semantica unificata, decodifica autoregressiva lazy, apprendimento supervisionato e ottimizzazione basata sul ranking per massimizzare i ricavi pubblicitari, risultando in un miglioramento del 4,2% rispetto alle soluzioni tradizionali e già distribuito con successo nel sistema pubblicitario di Kuaishou.
Il paper introduce AMA-Bench, un nuovo benchmark per valutare la memoria a lungo termine degli agenti LLM in scenari reali, e propone AMA-Agent, un sistema che supera le soluzioni esistenti grazie a un grafo di causalità e una ricerca potenziata da strumenti, raggiungendo un'accuratezza media del 57,22%.
Questo articolo presenta l'algoritmo CTFIDU+ per identificare completamente le query controfattuali a partire da distribuzioni di dati di Livello 3 realizzabili, stabilendo i limiti teorici dell'inferenza causale non parametrica e derivando nuovi limiti analitici per le quantità non identificabili.
Questo paper introduce CMI-RewardBench, un ecosistema completo per la valutazione dei modelli di ricompensa musicale basato su istruzioni multimodali compositive, che include dataset su larga scala, un benchmark unificato e modelli di ricompensa efficienti che dimostrano una forte correlazione con i giudizi umani e abilitano un efficace scaling al momento dell'inferenza.
Questo studio introduce il tracciamento causale dei circuiti per rivelare che i modelli fondazionali a singola cellula (Geneformer e scGPT) condividono architetture computazionali distinte caratterizzate da una predominanza inibitoria e coerenza biologica, con un consenso cross-modello che identifica domini associati alle malattie e conferma la natura di co-espressione piuttosto che di codifica causale.