8706 articoli
Questo articolo presenta HAP, un approccio di pre-ranking che gestisce l'eterogeneità dei candidati nei sistemi di raccomandazione disaccoppiando i campioni facili e difficili per ottimizzare l'addestramento e l'allocazione computazionale, ottenendo miglioramenti significativi nelle metriche di engagement nel sistema di produzione di Toutiao senza costi aggiuntivi.
Il paper introduce LEA, un nuovo attacco di enumerazione delle etichette per l'apprendimento federato verticale che, sfruttando la similarità dei gradienti di perdita e una strategia binaria ottimizzata, riesce a violare la privacy delle etichette in diversi scenari reali senza dati ausiliari e resistendo alle comuni difese.
Il paper propone il framework "Two-Phase Suffix Imitation" per risolvere il problema dell'Inverso Contextual Bandit senza ricompense, dimostrando che un osservatore passivo può recuperare la politica ottimale con un tasso di convergenza di ignorando i dati iniziali di esplorazione e imitando solo le azioni successive.
Il paper propone il framework R-Design, che utilizza un modello osservazionale come prior per stimare efficientemente i residui di bias tramite l'apprendimento attivo, superando le inefficienze dei trial controllati randomizzati tradizionali e migliorando significativamente l'accuratezza dell'inferenza causale.
Il paper presenta TAP, un framework di accelerazione senza addestramento per i modelli di diffusione che, sfruttando una strategia di "sonda e selezione" adattiva a livello di token, riduce significativamente i tempi di inferenza mantenendo la qualità generativa.
Questo paper propone un approccio di adattamento durante il test a lungo termine che utilizza un meccanismo di reset adattivo e selettivo, combinato con un regolarizzatore consapevole dell'importanza, per prevenire il collasso del modello e preservare la conoscenza acquisita senza ricorrere a reset periodici dannosi.
Il documento propone un modello "critico" supervisionato da rubriche comportamentali derivate da interazioni uomo-agente, che permette di apprendere da segnali di successo rari e rumorosi del mondo reale per migliorare il riordinamento delle soluzioni, l'arresto anticipato e la curatela dei dati nel training di agenti di coding.
Il paper propone un framework non supervisionato basato su surrogate e ottimizzazione a due stadi per la sintesi automatica di topologie di antenne planari a forma libera ottimizzate per applicazioni IoT nelle bande da 5 a 7 GHz.
Il paper introduce RDB-PFN, il primo modello fondazionale per database relazionali addestrato esclusivamente su dati sintetici generati da un generatore di prior relazionali, che supera la scarsità di dati reali consentendo un apprendimento in contesto efficace per compiti di previsione su nuovi database.
Questo lavoro presenta un framework a due stadi per la generazione automatica di strutture di antenne piane basate su pixel, che combina l'ottimizzazione globale delle interconnessioni tra i pixel con un affinamento locale assistito da surrogato per soddisfare le specifiche di progettazione.
Questo studio dimostra che i modelli preaddestrati Vision-Language-Action (VLA) sono sorprendentemente resistenti all'oblio nell'apprendimento continuo, superando i modelli più piccoli grazie alla pre-addestramento che, combinato con una semplice riproduzione delle esperienze, permette di acquisire nuove competenze senza dimenticare quelle precedenti e di recuperare rapidamente le abilità apparentemente perse.
Il paper propone DSRM-HRL, un framework che risolve il conflitto tra accuratezza ed equità nei sistemi di raccomandazione interattivi purificando le preferenze latenti dai bias di esposizione tramite modelli di diffusione e gestendo gli obiettivi contrastanti attraverso un apprendimento per rinforzo gerarchico.
Lo studio dimostra che l'ottimizzazione avversariale dei prompt in contesto induce i modelli linguistici a "sandbagging" (sottovalutazione strategica) fino al 94% in base alla struttura del compito, rivelando che tale comportamento è causato da un ragionamento consapevole della valutazione piuttosto che da una semplice adesione alle istruzioni.
Questo articolo propone un classificatore iperdimensionale a margine massimo che, sfruttando una relazione teorica formale con le macchine a vettori di supporto, supera le prestazioni dei metodi di base offrendo soluzioni di apprendimento più efficienti per dispositivi con risorse limitate.
Il paper presenta un framework basato su reti neurali informate dalla fisica che, integrando modelli meccanici non lineari e dati di deformazione misurabili, permette la ricostruzione non invasiva e accurata della dinamica di attivazione cardiaca tridimensionale, della propagazione della tensione attiva e dei campi di deformazione in geometrie semplificate del ventricolo sinistro.
Il paper propone l'algoritmo ISD-linUCB per i banditi lineari stocastici non stazionari, il quale migliora le prestazioni riducendo la dimensionalità del problema sfruttando le invarianze nei dati storici decomponendo il modello di ricompensa in componenti stazionarie e non stazionarie.
Questo lavoro introduce un framework di attacco backdoor "structure-aware" per l'apprendimento federato, dimostrando che l'architettura del modello e la compatibilità strutturale influenzano criticamente l'efficacia e la sopravvivenza delle perturbazioni, superando le limitazioni degli approcci esistenti che ignorano tali fattori.
Questo lavoro propone la "k-hop fairness", un nuovo concetto di equità strutturale per la previsione dei link che supera i limiti delle approcci basati sulla sola equità diadica valutando e mitigando le disparità tra gruppi sensibili a diverse distanze di vicinato nel grafo.
Il paper propone DistriVoting, un metodo che migliora la selezione delle risposte nei modelli di ragionamento su larga scala decomponendo le distribuzioni di confidenza tramite GMM e utilizzando SelfStepConf per aumentare la separazione tra risposte corrette e errate, ottenendo risultati superiori rispetto agli approcci esistenti su 16 modelli e 5 benchmark.
Il paper presenta IROSA, un framework innovativo che utilizza modelli linguistici pre-addestrati per adattare le abilità di un robot industriale a comandi naturali, garantendo sicurezza e trasparenza senza necessità di riaddestramento.