9144 articoli
Questo studio analizza oltre 5.000 casi di furto d'identità per costruire un grafico dell'ecosistema delle identità e sviluppare un framework di previsione del rischio privacy basato su reti neurali grafiche, in grado di stimare la probabilità che la compromissione di un dato personale ne porti alla divulgazione di altri.
Il paper presenta Shuffle-R1, un framework efficiente per l'addestramento con apprendimento per rinforzo dei modelli linguistici multimodali che risolve le problematiche di collasso del vantaggio e silenziamento dei rollouts attraverso tecniche di campionamento e mescolamento dinamico dei dati, migliorando significativamente le capacità di ragionamento con un minimo sovraccarico computazionale.
Il paper presenta un nuovo quadro non parametrico che ottimizza le coordinate di reazione incorporando la storia delle traiettorie, permettendo un'analisi robusta e precisa di eventi rari in sistemi complessi (come il ripiegamento delle proteine o i dati clinici longitudinali) senza richiedere un campionamento estensivo o dati di riferimento noti.
Questo lavoro propone Reward Ensemble under Confidence (REC), un framework probabilistico per l'apprendimento basato sulle preferenze che, modellando l'incertezza della ricompensa, permette di insegnare a un drone acrobatico complesse manovre di volo direttamente dal feedback umano, superando le limitazioni delle funzioni di ricompensa manuali e ottenendo un trasferimento zero-shot efficace nel mondo reale.
Questo studio dimostra che il modello fondazionale TabPFN, applicato in modalità zero-training e few-shot, supera i modelli bayesiani gerarchici convenzionali nella previsione delle proprietà meccaniche del suolo e nell'imputazione dei dati mancanti, offrendo maggiore accuratezza, calibrazione delle incertezze ed efficienza computazionale nel contesto del benchmark GEOAI.
Il paper propone il framework DPH-RL, che utilizza divergenze f di tipo "mass-covering" come meccanismo di ripasso per preservare la diversità delle soluzioni e mitigare il collasso della diversità nel RLVR, migliorando così le prestazioni sia Pass@1 che Pass@k senza richiedere un modello di riferimento online.
Questo studio dimostra che le reti ResNet profonde addestrate con inizializzazione casuale convergono verso dinamiche di equazioni differenziali ordinarie (Mean ODE) indipendentemente dalla larghezza, identificando le scale di residuo necessarie per ottenere aggiornamenti di caratteristiche massimali o regimi "lazy" e fornendo limiti di errore rigorosi e ottimali per questi scenari.
Il paper introduce ScaleDoc, un sistema che accelera l'analisi semantica su grandi collezioni di documenti disaccoppiando l'esecuzione dei predicati in una fase offline di rappresentazione e una fase online di filtraggio ottimizzato tramite un modello proxy, riducendo fino all'85% le costose invocazioni di LLM e ottenendo un speedup end-to-end superiore a 2x.
Il paper propone AIGB-Pearl, un metodo innovativo che integra la pianificazione generativa con l'ottimizzazione della politica e una valutazione offline dei reward per superare i limiti di esplorazione dei sistemi di auto-offerta esistenti e raggiungere prestazioni superiori sia in ambienti simulati che reali.
Il paper propone un metodo di regressione efficiente che stima le distanze di Wasserstein combinando distanze di Sliced Wasserstein (sia standard che "lifted") per ottenere approssimazioni più accurate rispetto agli stati dell'arte, specialmente in regimi con pochi dati, e accelera l'addestramento di modelli come Wormhole.
Questo studio propone una metodologia di valutazione rigorosa e priva di "data leakage" per la diagnosi dei guasti ai cuscinetti basata sull'apprendimento automatico, evidenziando come la partizione dei dati a livello di singolo cuscinetto e la diversità del dataset siano fondamentali per garantire la generalizzabilità e l'affidabilità dei modelli nelle applicazioni industriali reali.
Questo articolo introduce un quadro teorico basato sulla complessità di Kolmogorov per definire obiettivi di lunghezza di descrizione asintoticamente ottimali per i Transformer, dimostrando la loro esistenza e analizzando un obiettivo variazionale pratico che, sebbene favorisca soluzioni a bassa complessità con forte generalizzazione, pone sfide significative per l'ottimizzazione standard.
Questo lavoro teorico analizza i vantaggi e le limitazioni dell'apprendimento per rinforzo nella pianificazione dei modelli linguistici, dimostrando che, sebbene superi la fine-tuning supervisionata grazie all'esplorazione, la politica di gradiente soffre di un collasso della diversità, mentre l'apprendimento Q offre vantaggi superiori nella preservazione della diversità e nell'apprendimento off-policy, a condizione di un'attenta progettazione della ricompensa.
Questo studio introduce MR-GPTQ, un algoritmo di quantizzazione specializzato che risolve le limitazioni di precisione dei formati FP4 micro-scala (MXFP4 e NVFP4) tramite trasformate di Hadamard e ottimizzazioni specifiche, ottenendo significativi miglioramenti sia nella velocità di esecuzione che nella precisione rispetto alle soluzioni attuali.
Il paper presenta CREPE, un metodo flessibile basato sullo scambio di repliche per il controllo a tempo di inferenza dei modelli di diffusione, che supera i limiti degli approcci precedenti generando campioni sequenziali con alta diversità e permettendo affinamenti online.
Questo lavoro introduce il primo benchmark affidabile per valutare i ponti di Schrödinger su spazi discreti, fornendo soluzioni analitiche note, proponendo nuovi algoritmi risolutivi e abilitando una rigorosa valutazione comparativa in contesti ad alta dimensionalità.
Questo lavoro introduce un quadro teorico e pratico per l'adattamento fine dei modelli di diffusione e flusso attraverso la modellazione delle distribuzioni a livelli di rumore intermedi, proponendo l'algoritmo P-GRAFT per la massimizzazione della ricompensa e la correzione inversa del rumore per migliorare le prestazioni senza ricompense esplicite, con risultati empirici superiori su diverse attività generative.
Questo articolo presenta un metodo di classificazione EEG basato su un algoritmo di denoising per grafi firmati bilanciati, che viene "srotolato" in una rete neurale leggera e interpretabile per distinguere pazienti epilettici da soggetti sani con un numero di parametri drasticamente inferiore rispetto alle architetture deep learning tradizionali.
Il paper introduce AdaBet, un metodo privo di gradienti che seleziona in modo efficiente gli strati più importanti per l'adattamento on-device delle reti neurali pre-addestrate analizzando le caratteristiche topologiche degli spazi di attivazione tramite numeri di Betti, ottenendo così una maggiore accuratezza e un ridotto consumo di memoria senza richiedere etichette o retropropagazione.
Il paper propone Cache-to-Cache (C2C), un nuovo paradigma che permette la comunicazione semantica diretta tra modelli linguistici di grandi dimensioni (LLM) attraverso la fusione dei loro KV-cache, superando i limiti di latenza e perdita di informazioni del trasferimento testuale e ottenendo migliori prestazioni e velocità.