9206 articoli
Il paper propone VGG-Flow, un metodo basato sul matching dei gradienti che sfrutta la teoria del controllo ottimo per allineare efficientemente e preservando le probabilità i modelli Flow Matching (come Stable Diffusion 3) alle preferenze umane, superando i limiti delle approcci esistenti.
Il documento presenta il framework CFD (Confidence-Aware Fine-Grained Debate), che utilizza il dibattito collaborativo tra modelli linguistici open-source per arricchire automaticamente i dati su salute mentale e sicurezza online, ottenendo risultati superiori rispetto alle linee di base grazie all'integrazione delle trascrizioni del dibattito.
Il paper introduce CORE, un framework di apprendimento per rinforzo che colma il divario tra definizione e applicazione nel ragionamento matematico trasformando i concetti espliciti in segnali di supervisione controllabili per migliorare la capacità dei modelli linguistici di applicare la comprensione concettuale piuttosto che limitarsi al riutilizzo di pattern.
Il paper presenta CHAMMI-75, un dataset open access di immagini microscopiche multicanale eterogenee derivato da 75 studi biologici, progettato per addestrare modelli di intelligenza artificiale adattivi ai canali che migliorano l'analisi della morfologia cellulare superando i limiti dei modelli specializzati su singoli tipi di imaging.
Il paper presenta le Collar Recognition Nets (CRN), una famiglia di reti neurali convolutive 1D leggere e ottimizzate che, implementate su sistemi embedded, permettono il riconoscimento in tempo reale e autonomo dei collari di rivestimento nei pozzi petroliferi nonostante le interferenze magnetiche e i vincoli di risorse.
Il paper propone TPI-AI, un framework ibrido che combina rappresentazioni temporali apprese tramite Bi-LSTM con indicatori di interazione ispirati alla fisica e un classificatore LightGBM ottimizzato per lo squilibrio delle classi, ottenendo prestazioni superiori nella previsione dell'intenzione di cambio corsia su scenari autostradali eterogenei.
Questo lavoro propone un quadro di controllo stocastico per l'ottimizzazione globale su spazi euclidei e di Wasserstein, dimostrando la convergenza dei problemi controllati regolarizzati verso il minimo globale e sviluppando schemi numerici Monte Carlo privi di derivate basati su formule probabilistiche.
Questo lavoro introduce tecniche di quantizzazione a basso bit per accelerare e comprimere le reti neurali grafiche equivarianti SO(3), consentendo la loro efficiente implementazione su dispositivi edge per la previsione di proprietà molecolari senza compromettere l'accuratezza né la simmetria fisica.
Il paper introduce DiSOL, un nuovo paradigma di apprendimento che approssima le procedure di soluzione discrete invece degli operatori continui, consentendo di risolvere in modo stabile e accurato equazioni differenziali su geometrie variabili con cambiamenti topologici e strutturali.
Il paper presenta GraSP, un metodo unificato e trasferibile per il riconoscimento di grafi visivi basato sulla predizione di sottografi, che supera i limiti delle soluzioni specifiche per singolo compito.
Questo articolo propone l'Indice di Flessibilità Condizionata (CFI), un metodo basato su flussi normalizzanti che apprende insiemi di incertezza ammissibili parametrizzati dai dati storici e condizionati al contesto, migliorando così la qualità delle decisioni di scheduling in scenari come l'impegno delle unità di generazione elettrica.
Questo lavoro introduce il "Distributional Sobolev Training", un metodo di apprendimento per rinforzo che estende l'apprendimento distribuzionale ai gradienti dei valori in ambienti stocastici, superando i limiti delle tecniche esistenti tramite un modello del mondo basato su cVAE e dimostrando la contrazione dell'operatore di Bellman aumentato con Sobolev.
Questo rapporto tecnico presenta la distillazione consapevole della quantizzazione (QAD) come metodo efficace e stabile per recuperare l'accuratezza dei modelli linguistici e visione-linguaggio quantizzati in NVFP4, superando le limitazioni della tradizionale quantizzazione-aware training (QAT) nei pipeline di post-allenamento complessi.
Questo articolo presenta un framework multimodale basato su agenti multipli e AutoGen per l'analisi e la classificazione dei ransomware, che integra dati statici, dinamici e di rete attraverso un meccanismo di feedback inter-agente per ottenere prestazioni superiori rispetto ai metodi tradizionali e garantire decisioni affidabili in scenari reali.
Questo articolo presenta un nuovo framework che utilizza tecniche di apprendimento contestuale, ispirate ai banditi multi-braccio, per selezionare dinamicamente il controllore AI più adatto in base al contesto operativo, garantendo così maggiore sicurezza e prestazioni rispetto ai metodi di ensemble tradizionali nei sistemi cyber-fisici autonomi.
Analizzando 52 modelli preaddestrati su ImageNet, lo studio dimostra che la dimensione effettiva, una metrica geometrica non supervisionata calcolata senza etichette, è un forte predittore della precisione dei modelli e fornisce informazioni causali sulle prestazioni delle reti neurali.
SwiftRepertoire è un framework che supera la scarsità di dati etichettati e l'eterogeneità delle coorti nella sintesi di firme immunitarie, adattando istantaneamente un backbone preaddestrato a nuovi compiti clinici tramite moduli adapter sintetizzati dinamicamente, garantendo al contempo interpretabilità e efficienza computazionale.
Il documento evidenzia come il "drag contestuale", ovvero la presenza di tentativi falliti nel contesto, induca un pregiudizio verso errori strutturalmente simili che riduce le prestazioni dei modelli linguistici del 10-20% e porta al deterioramento iterativo, un fenomeno che le attuali strategie di mitigazione non riescono a eliminare completamente.
Questo articolo propone un nuovo approccio alla classificazione sotto privacy differenziale locale che tratta l'apprendimento come trasferimento di conoscenza, introducendo tecniche di inversione e mediazione dei modelli per migliorare l'accuratezza senza compromettere la privacy.
Questo lavoro analizza la sicurezza dei modelli lineari di fronte ad attacchi di estrazione, dimostrando che l'uso di query controfattuali (specialmente quelle robuste) e la scelta della funzione di distanza influenzano drasticamente il numero di interrogazioni necessarie per recuperare i parametri del modello, potendo arrivare a una singola query con distanze differenziabili o crescere linearmente con la dimensionalità dei dati per distanze poliedriche.