8719 articoli
PatchDecomp è un metodo di previsione delle serie temporali basato su reti neurali che combina alta accuratezza e interpretabilità suddividendo i dati in patch e aggregando i contributi di ciascuna per generare previsioni spiegabili.
Questo lavoro propone un nuovo framework di valutazione unificato e il metodo SURE+ per migliorare l'affidabilità dei classificatori valutando congiuntamente la rilevazione di dati fuori distribuzione e la previsione degli errori, superando i limiti degli approcci tradizionali.
Il paper presenta BD-Merging, un framework di fusione di modelli non supervisionato e consapevole dei bias che, integrando una testa evidenziale per la modellazione dell'incertezza, un punteggio di discrepanza di adiacenza e un apprendimento contrastivo, migliora l'affidabilità e la robustezza dei modelli fusi in presenza di spostamenti della distribuzione dei dati durante il test.
Questo articolo presenta un metodo gerarchico bayesiano che combina inferenza parametrica e modelli di chiusura basati su machine learning per risolvere problemi inversi in ODE e PDE, utilizzando algoritmi di campionamento avanzati e un'ottimizzazione bilevel per addestrare simultaneamente surrogate efficienti come FNO e PINN.
Lo studio valuta diverse tecniche di apprendimento per rinforzo offline in un ambiente telecomunicazioni stocastico, dimostrando che il Conservative Q-Learning offre la maggiore robustezza e rappresenta la scelta predefinita più affidabile per la gestione dei reti future, sebbene i metodi basati su sequenze possano risultare competitivi in presenza di dati ad alto rendimento.
Il paper propone un quadro temporale basato su processi di Hawkes multivariati per distinguere le tendenze intrinseche di interazione dagli effetti di amplificazione algoritmica nelle reti dinamiche, introducendo una misura di bias istantaneo che cattura le dinamiche di rinforzo in tempo reale e dimostrandone l'affidabilità nel riflettere gli effetti del feedback algoritmico.
Il paper presenta Lang2Str, un framework generativo a due stadi che combina grandi modelli linguistici e flussi continui per produrre strutture cristalline valide e diversificate con maggiore precisione rispetto agli stati dell'arte.
Il paper presenta GIPO, un nuovo metodo di ottimizzazione della politica basato su campionamento per importanza gaussiano che, sostituendo il clipping rigido con un peso di fiducia logaritmico, migliora l'efficienza dei campioni e la stabilità dell'addestramento per agenti multimodali in scenari con dati di interazione limitati o obsoleti.
Il paper presenta TFWaveFormer, un'architettura Transformer innovativa che integra l'analisi temporale-frequenziale con una decomposizione wavelet multi-risoluzione adattiva per migliorare significativamente le prestazioni nella previsione di link dinamici.
Il paper propone un vincolo di assertibilità ispirato a Brouwer per l'IA responsabile, che in contesti ad alto rischio obbliga i sistemi a restituire "Indeterminato" se non possono fornire un certificato pubblico e contestabile di legittimità, preservando così l'agenzia epistemica umana attraverso un'interfaccia a tre stati che separa l'entitlement interno dalla posizione pubblica.
Il paper presenta Dual-Solver, un solutore ODE generalizzato per modelli di diffusione che, mediante parametri appresi per interpolare dinamicamente tra tipi di previsione, domini di integrazione e termini residui, migliora significativamente la qualità del campionamento a basso costo computazionale (3-9 valutazioni della funzione) rispetto ai metodi tradizionali.
Questo lavoro propone un modello teorico che spiega la specializzazione sequenziale delle teste di attenzione nei transformer, dimostrando come l'uso di funzioni di attivazione specifiche, come softmax-1 e Bayes-softmax, riduca il rumore e ottimizzi le prestazioni predittive.
Il paper propone "Spectral Surgery", un metodo senza addestramento che migliora gli adattatori LoRA già esistenti riaggiustando i valori singolari tramite una reweighting guidata dal gradiente, ottenendo guadagni significativi su diversi benchmark senza modificare le direzioni apprese.
Questo lavoro sfida l'assunzione tradizionale che la precisione predittiva sia fondamentale per l'ottimizzazione basata su modelli offline, proponendo invece una prospettiva basata sul ranking che identifica lo spostamento distribuzionale come errore dominante e introduce un metodo di ranking consapevole della distribuzione che supera ventisette metodi esistenti, pur rivelando limiti intrinseci nell'evitare l'estrapolazione eccessivamente ottimistica.
Questo lavoro propone un framework senza addestramento che, sfruttando modelli di diffusione pre-addestrati e un modulo di codifica del canale inverso, permette di navigare l'intera superficie del compromesso tra velocità, distorsione e percezione (RDP) senza necessità di riaddestramento, offrendo una soluzione sia teoricamente fondata che empiricamente efficace per la compressione adattiva.
Il documento presenta un limite inferiore per l'errore e propone l'algoritmo FCSR per l'identificazione dell'arma migliore in un contesto di banditi raggruppati con vincoli di fattibilità, dimostrando la sua ottimalità teorica e le superiori prestazioni empiriche.
Il paper propone "Fluid Logic", un paradigma che trasforma il ragionamento modale da strutture discrete a varietà continue tramite Equazioni Differenziali Stocastiche Neurali, permettendo alle Reti Neurali Logiche Continue (CMLNNs) di garantire coerenza strutturale con proprietà logiche complesse in ambiti come la logica epistemica, temporale e deontica.
Questo articolo propone un framework di scoring della qualità multidimensionale per l'inferenza decentralizzata di LLM, che, attraverso l'audit e la calibrazione delle sue componenti, genera un segnale di qualità affidabile e competitivo per meccanismi di Proof of Quality in ambienti avversariali.
Il rapporto tecnico presenta il sistema del team CP-JKU per la sfida MSR ICASSP 2025, che combina un separatore BandSplit-RoFormer addestrato con un curriculum a tre stadi e un restorer HiFi++ GAN specializzato per il recupero di stem strumentali originali da audio mixati e masterizzati.
Il paper propone DQE-CIR, un metodo per il recupero di immagini composte che migliora la discriminatività delle query attraverso pesi attributivi apprendibili e un campionamento negativo relativo al target, superando i limiti dei framework contrastivi tradizionali.