8763 articoli
Questo studio dimostra che la Logit Diff Amplification (LDA) funge da meccanismo di controllo a tempo di inferenza efficace per i modelli linguistici proteici, riducendo la generazione di proteine tossiche indotte dall'adattamento di dominio senza compromettere la qualità biologica o la plausibilità strutturale delle sequenze generate.
Il paper propone un nuovo quadro per il test di ipotesi quantistiche e l'ottimizzazione semidefinita basato su misurazioni termiche di Fermi-Dirac, interpretando gli autovalori degli operatori di misura come modi fermionici indipendenti per sviluppare modelli di apprendimento automatico quantistico e algoritmi di ottimizzazione ibridi.
Il paper propone FedCova, un framework di apprendimento federato robusto che elimina la dipendenza da dati esterni o dispositivi puliti, migliorando la resilienza intrinseca del modello contro le etichette rumorose attraverso un nuovo approccio basato sull'analisi delle covarianze delle caratteristiche per l'encoding, la classificazione e la correzione delle etichette.
Questo lavoro introduce MELT, un attacco backdoor leggero per modelli di diffusione multi-encoder come Stable Diffusion 3, che dimostra come sia possibile comprometterne l'integrità addestrando meno dello 0,2% dei parametri degli encoder testuali congelati.
Questo articolo analizza la discrepanza tra le dinamiche temporali continue teoriche e le implementazioni sperimentali discrete nelle macchine di Ising basate su feedback di misura, proponendo e verificando sperimentalmente un metodo per ridurre la sensibilità alla scelta degli iperparametri in tali architetture.
Il paper propone SGD-ER, una strategia che adatta dinamicamente il tasso di apprendimento aumentando i riavvii stocastici al rilevamento di stagnazione, migliorando significativamente l'accuratezza di test su diversi dataset e architetture rispetto ai metodi di scheduling tradizionali.
Il paper presenta FastWave, un modello di diffusione ottimizzato per la super-risoluzione audio che, con soli 1,3 milioni di parametri e una complessità computazionale ridotta, supera le prestazioni di NU-Wave 2 offrendo un addestramento e un'inferenza significativamente più veloci rispetto alle soluzioni state-of-the-art.
Lo studio BeamPERL dimostra che, sebbene il rinforzo con ricompense verificabili migliori le prestazioni di modelli linguistici compatti nella meccanica delle travi, induce un adattamento anisotropo basato su template procedurali piuttosto che su una vera comprensione fisica, evidenziando la necessità di affiancare tali ricompense a scaffolding strutturato per garantire un ragionamento scientifico robusto.
Il paper introduce DARKFormer, un modello Transformer che supera i limiti di complessità quadratico degli attention mechanism tradizionali adottando un kernel a caratteri casuali allineato ai dati, il quale permette un campionamento per importanza efficiente e riduce il gap prestazionale rispetto all'attention softmax esatta, specialmente nei contesti di finetuning su rappresentazioni anisotrope.
Questo articolo propone un approccio di previsione fotovoltaica in due stadi che separa la previsione meteorologica dalle caratteristiche dell'impianto, dimostrando come l'uso di modelli numerici introduca errori significativi rispetto alle osservazioni satellitari e come gli errori di previsione seguano distribuzioni generalizzate iperboliche o di Student.
Questo lavoro propone un algoritmo di sottogradienti sparsi che sfrutta la struttura algebrica delle reti neurali Max-Plus per ottimizzare in modo efficiente la perdita del peggior campione, trasformando la sparsità naturale dei sottogradienti in un vantaggio computazionale senza compromettere le garanzie teoriche.
Il paper presenta InstMeter, un metodo a livello di istruzione che sfrutta i cicli di clock per prevedere con elevata precisione e linearità l'energia e la latenza dell'inferenza di modelli di deep learning su microcontrollori, riducendo significativamente gli errori di previsione e la quantità di dati necessari rispetto agli approcci esistenti.
Il paper propone DPPO, un framework che accelera l'ottimizzazione delle politiche di gruppo (GRPO) tramite una potatura dinamica non distorta e un imballaggio denso dei prompt, garantendo un addestramento più veloce senza compromettere la convergenza teorica o la precisione.
Il paper presenta Vivaldi, un sistema multi-agente per l'interpretazione di serie temporali fisiologiche, che rivela come l'orchestrazione agente migliori significativamente la qualità delle spiegazioni e la rilevanza clinica nei modelli non "pensanti" e medicalmente affinati, ma possa degradare la qualità delle spiegazioni nei modelli "pensanti" pur aumentando la precisione diagnostica, sottolineando così che il valore dell'AI agenziale risiede nell'esternalizzazione selettiva del calcolo piuttosto che nella complessità massima del ragionamento.
Questo studio presenta un framework di apprendimento basato su simulazioni neuromuscoloscheletriche fisiche che addestra una politica di controllo per un esoscheletro dell'anca esclusivamente in ambiente simulato, dimostrandone il trasferimento efficace su hardware reale con riduzioni misurabili dell'attivazione muscolare e del lavoro articolare senza necessità di dati di movimento o sintonizzazioni aggiuntive.
Il paper presenta CodeTaste, un benchmark che valuta la capacità degli agenti LLM di eseguire refactoring di codice, rivelando un divario significativo tra le loro soluzioni e le scelte umane che può essere ridotto attraverso una strategia di "proposta-implementazione".
Questo studio dimostra che l'addestramento termodinamico induce nei modelli a spazio di stato (SSM) una "propriocezione architettonica" unica, caratterizzata da una forte correlazione anticipatoria tra l'entropia dello stato ricorrente e la fiducia nell'arresto, un fenomeno assente nei Transformer che rivela come gli SSM siano architetture nativamente capaci di auto-consapevolezza computazionale per l'ottimizzazione delle risorse.
Il progetto REDNET-ML sviluppa una pipeline di machine learning riproducibile che fonde dati satellitari multi-sensore e modelli di object detection per generare stime probabilistiche calibrate del rischio di fioriture algali dannose lungo la costa omanita, supportando così la gestione operativa delle infrastrutture costiere e degli approvvigionamenti idrici.
Questo articolo propone un approccio modulare per il Federated Learning a basso impatto di carbonio che, integrando una filtrazione dei dati rumorosi tramite una soglia sulla norma del gradiente, migliora sia le prestazioni del modello che la sostenibilità, superando i limiti delle strategie di selezione attuali che tendono a includere client con dati di bassa qualità.
Questo studio dimostra che l'aggiunta di regolarizzazione dei pesi (in particolare L2) agli autoencoder sparsi migliora significativamente la stabilità e la riproducibilità delle caratteristiche apprese, aumentando la coerenza tra diversi semi casuali e raddoppiando il successo del controllo direzionale (steering) senza compromettere la qualità delle interpretazioni automatizzate.