9124 articoli
Il lavoro presenta , un metodo che combina lo schema JKO con tecniche di ottimizzazione inversa per apprendere la dinamica delle popolazioni tramite un addestramento avversario end-to-end, eliminando la necessità di architetture neurali restrittive e offrendo garanzie teoriche e prestazioni superiori rispetto ai metodi precedenti.
Questo articolo propone l'Interaction Field Matching (IFM), una generalizzazione dell'Electrostatic Field Matching che supera le sue limitazioni modellando campi di interazione ispirati alla fisica delle particelle, dimostrando così efficacia in vari compiti di trasferimento dati.
Il paper presenta DiaBlo, un metodo di fine-tuning efficiente che aggiorna solo i blocchi diagonali delle matrici di peso, offrendo una convergenza stabile e prestazioni competitive rispetto al fine-tuning completo e a LoRA, senza richiedere prodotti di matrici a basso rango o strategie di ottimizzazione personalizzate.
Il paper introduce "Search Arena", un vasto dataset crowdsourced di oltre 24.000 interazioni multi-turno con modelli linguistici potenziati dalla ricerca web, che rivela come le preferenze degli utenti siano influenzate dalla quantità di citazioni e dalla tipologia di fonti, sottolineando al contempo l'importanza di integrare la ricerca esterna per migliorare l'affidabilità dei modelli.
Il paper introduce l'Estimatore Radon-Nikodym (RNE), un metodo plug-and-play che unifica la stima delle densità, il controllo al momento dell'inferenza e l'addestramento basato su energia per i modelli di diffusione, offrendo una soluzione efficace e modale-agnostica sia per i modelli continui che discreti.
Il paper introduce Perception-R1, un metodo che migliora le capacità di ragionamento multimodale dei modelli MLLM attraverso un nuovo premio di percezione visiva basato sulla coerenza tra le annotazioni testuali e le risposte generate, ottenendo prestazioni all'avanguardia con un dataset di addestramento ridotto.
Questo studio presenta un approccio ibrido che combina algoritmi di banditi contestuali e modelli linguistici di grandi dimensioni per personalizzare messaggi motivazionali sull'attività fisica, dimostrando come tale integrazione migliori l'efficienza decisionale e l'equilibrio nella distribuzione degli interventi rispetto ai metodi tradizionali.
Il paper introduce StreamSplat, un framework feed-forward che ricostruisce istantaneamente scene 3D dinamiche da flussi video non calibrati mediante tre innovazioni chiave, offrendo prestazioni superiori e un'accelerazione di 1200 volte rispetto ai metodi basati su ottimizzazione.
Questo studio presenta un nuovo quadro basato sul modello climatico differenziabile NeuralGCM per generare scenari di ondate di calore estreme e fisicamente coerenti, dimostrando che tale approccio può identificare traiettorie di calore fino a 3,7 °C più intense rispetto ai membri più estremi di un ensemble tradizionale, offrendo così uno strumento potente per la valutazione dei rischi climatici.
Questo paper introduce i Saturation Self-Organizing Maps (SatSOM), un'estensione delle mappe auto-organizzanti che utilizza un meccanismo di saturazione per ridurre progressivamente l'apprendimento nei neuroni già esperti, mitigando così l'oblio catastrofico nei contesti di apprendimento continuo.
Questo articolo propone un nuovo framework per costruire indicatori compositi spiegabili e interpretabili basati su regole decisionali "if-then" indotte tramite l'Approccio agli Insiemi Grezzi Dominanti, applicabile a diverse modalità di aggregazione e in grado di gestire valori mancanti.
Questo studio introduce il "Branching Factor" come metrica per dimostrare come l'allineamento dei modelli linguistici riduca drasticamente la diversità delle generazioni spingendo il modello verso traiettorie a bassa entropia, un effetto che viene sfruttato anche dal ragionamento a catena (CoT) per garantire maggiore stabilità.
Questo lavoro propone un nuovo schedulatore di guida basato sull'annealing che adatta dinamicamente la scala di guida durante il processo di campionamento dei modelli di diffusione, migliorando significativamente la qualità delle immagini e l'allineamento con il prompt testuale senza richiedere risorse computazionali aggiuntive.
Il paper presenta Skywork-Reward-V2, una serie di modelli di ricompensa open-source che raggiungono prestazioni all'avanguardia grazie all'addestramento su SynPref-40M, un vasto dataset di preferenze curato tramite una pipeline sinergica uomo-intelligenza artificiale.
Il paper presenta MC-INR, un nuovo framework basato su reti neurali che utilizza meta-apprendimento e un meccanismo di riclustering dinamico per codificare in modo efficiente dati scientifici multivariati su griglie non strutturate, superando i limiti delle rappresentazioni neurali implicite esistenti.
Questo lavoro presenta EP-GAT, una rete neurale basata sull'energia e sull'attenzione parallela su grafi che supera i metodi esistenti nel prevedere le tendenze azionarie modellando dinamiche inter-stock evolutive e gerarchie intra-stock attraverso cinque dataset reali.
Questo paper analizza teoricamente l'effetto della Classifier-Free Guidance nei modelli di diffusione mascherati, rivelando che una guida precoce danneggia la qualità del campione e proponendo un semplice meccanismo di correzione che migliora significativamente la generazione di immagini e testi condizionati.
Questo documento introduce i Gauge Flow Models, una nuova classe di modelli generativi che integrano un campo di gauge apprendibile nelle equazioni differenziali ordinarie dei flussi, dimostrando attraverso esperimenti su miscele gaussiane prestazioni significativamente superiori rispetto ai modelli tradizionali.
Questo articolo introduce i Higher Gauge Flow Models, una nuova classe di modelli generativi che estende i Gauge Flow Models tradizionali integrando un'algebra L per incorporare geometria e simmetrie superiori, ottenendo così prestazioni significativamente migliori su dataset di miscele gaussiane.
Questo articolo dimostra che l'algoritmo GPTQ per la quantizzazione delle reti neurali è equivalente all'algoritmo del piano più vicino di Babai per il problema del vettore più vicino nei reticoli, fornendo intuizioni geometriche e suggerendo l'uso della riduzione della base reticolare per migliorare la quantizzazione.