8673 articoli
Questo studio presenta un quadro diagnostico sistematico che quantifica l'instabilità dei ranking nell'inferenza delle reti di regolazione genica sotto diverse scelte protocollari, rivelando come le inversioni siano guidate da variazioni nella capacità discriminativa dei metodi piuttosto che da effetti di tasso base, e proponendo pratiche di reporting consapevoli della stabilità.
Questo studio presenta un nuovo approccio bayesiano basato su Transformer ad alta risoluzione che fonde dati Sentinel-1, RCM e AMSR2 per mappare la concentrazione del ghiaccio marino artico a 200 metri e quantificare l'incertezza, superando le sfide delle etichette imprecise e dell'eterogeneità dei dati grazie a una funzione di perdita supervisionata debole geograficamente ponderata e a un'architettura che integra moduli globali e locali.
Lo studio dimostra che la vulnerabilità agli esempi avversari deriva da un disallineamento esponenziale tra le varietà percettive delle reti neurali e quelle umane, suggerendo che la robustezza può essere raggiunta solo allineando la dimensionalità di questi spazi concettuali.
Il lavoro presenta OrbEvo, un modello basato su trasformatori grafici equivarianti che apprende efficientemente l'evoluzione temporale delle funzioni d'onda nella teoria del funzionale densità dipendente dal tempo (TDDFT) per prevedere con precisione le dinamiche elettroniche e le proprietà ottiche sotto l'effetto di campi esterni.
Il paper introduce l'MMAI Gym for Science, un framework completo per addestrare modelli fondazionali liquidi (LFM) specializzati nella scoperta di farmaci, dimostrando che questi modelli più piccoli e mirati superano in efficienza e prestazioni i grandi modelli generici su compiti critici come l'ottimizzazione molecolare e la previsione delle proprietà ADMET.
Questo articolo propone il Q-Measure-Learning, un nuovo algoritmo di apprendimento per rinforzo a spazio continuo che stima efficientemente la funzione valore tramite una misura empirica e kernel smoothing, garantendo convergenza quasi certa e offrendo un'implementazione computazionalmente efficiente con complessità lineare.
Il paper introduce MASS, un framework di meta-apprendimento che permette ai grandi modelli linguistici di adattarsi al momento del test generando dati sintetici specifici per il problema e aggiornando i propri parametri attraverso un'ottimizzazione a due livelli che massimizza le prestazioni sul compito finale.
Questo studio propone un framework di quantificazione dell'incertezza a livello di logit per l'analisi di immagini istopatologiche tramite modelli visione-linguaggio, evidenziando la necessità di tale approccio per garantire affidabilità e trasparenza in ambito sanitario nonostante l'elevata sensibilità stocastica e la minima influenza della temperatura osservate.
Il paper introduce mlx-snn, la prima libreria nativa per le reti neurali a impulsi (SNN) basata sul framework MLX di Apple, che offre un'efficiente pipeline di addestramento e modelli neuronali avanzati per l'hardware Apple Silicon, superando le prestazioni e l'efficienza della memoria delle soluzioni PyTorch esistenti.
Il paper dimostra che la "Neural Collapse Direzionale", ovvero la ridotta variabilità lungo le direzioni di separazione delle classi, è il fattore geometrico fondamentale che spiega sia l'efficace trasferimento few-shot sia la bassa interferenza tra più compiti nell'apprendimento auto-supervisionato.
Il lavoro propone RACI, un framework di apprendimento informato dai processi che migliora la previsione dei flussi di carbonio negli ecosistemi disgregando le condizioni ambientali in ruoli distinti (regimi lenti e forzanti dinamici) per garantire una generalizzazione spaziale robusta in presenza di eterogeneità.
Lo studio valuta empiricamente i compromessi tra ensembling, merging e routing di esperti efficienti nei parametri, dimostrando che il routing offre i migliori guadagni di prestazioni e che tecniche di selezione degli esperti come il clustering possono mitigarne i costi computazionali.
Questo lavoro propone un framework di apprendimento online per verificate di ragionamento a catena di pensiero che, caratterizzando i limiti degli errori tramite estensioni della dimensione di Littlestone, ottimizza il compromesso tra correttezza e completezza per migliorare l'accuratezza dei prover e generare dimostrazioni complesse.
Il documento propone un'architettura di integrazione GNSS/IMU in tempo reale basata sull'ottimizzazione del grafo dei fattori (FGO) che, pur comportando una lieve riduzione della precisione rispetto ai metodi batch, garantisce un'operatività in tempo reale e una maggiore disponibilità del servizio in ambienti urbani complessi.
Questo lavoro presenta un metodo di integrazione GNSS-IMU in tempo reale basato sull'ottimizzazione del grafo fattoriale, che utilizza l'ottimizzazione incrementale con marginalizzazione a finestra fissa per garantire una stima causale dello stato e dimostrare elevate prestazioni in ambienti urbani degradati.
Questo articolo presenta un blueprint pratico per valutare e ottimizzare gli assistenti alla spesa conversazionali multi-agente, introducendo un sistema di valutazione basato su LLM e due strategie di ottimizzazione dei prompt (Sub-agent GEPA e MAMuT GEPA) per migliorare le interazioni complesse e vincolate nel contesto della spesa alimentare.
Il paper introduce "Transport Clustering", un algoritmo che risolve il problema NP-difficile del trasporto ottimo a rango ridotto riducendolo a un problema di clustering su corrispondenze, garantendo approssimazioni in tempo polinomiale e superando le prestazioni dei solutori esistenti su dataset su larga scala.
Il paper introduce ByteFlow Net, un'architettura gerarchica che elimina i tokenizzatori predefiniti permettendo ai modelli linguistici di apprendere autonomamente segmentazioni adattive dei flussi di byte tramite compressione, ottenendo così prestazioni superiori rispetto ai metodi basati su tokenizzazione fissa.
Il paper introduce CausalMix, un framework generativo variazionale che colma il divario tra realismo distributivo e controllabilità causale nella sintesi di dati tabellari misti, permettendo la manipolazione indipendente di sovrapposizione, confondimento ed eterogeneità degli effetti per validare studi causali e analisi di potenza.
Il paper propone SENTINEL, un meccanismo di verifica leggero basato su medie esponenziali mobili che garantisce l'integrità dell'addestramento decentralizzato con parallelismo di pipeline su nodi inaffidabili, permettendo l'addestramento di grandi modelli linguistici senza duplicazione computazionale.