9503 articoli
Il paper introduce MASPOB, un framework innovativo basato su bandit e reti neurali grafiche che ottimizza in modo efficiente i prompt per i sistemi multi-agente, risolvendo le sfide di costo di valutazione, accoppiamento topologico e complessità combinatoria.
Il paper propone un framework di calcolo eterogeneo analogico-digitale che assegna gli esperti sensibili al rumore e i moduli densamente attivati alla computazione digitale, mentre il resto degli esperti viene eseguito su hardware analogico, garantendo così robustezza e accuratezza nei modelli Mixture-of-Experts senza necessità di riaddestramento.
Il paper presenta SaFeR-ToolKit, un framework che formalizza il processo decisionale di sicurezza nei modelli visione-linguaggio come un protocollo verificabile basato su strumenti virtuali e addestrato con un curriculum a tre stadi, migliorando significativamente sicurezza, utilità e rigore del ragionamento senza compromettere le capacità generali.
Questo articolo presenta il dataset di Vienna per test su strada 4G/5G, un insieme aperto e su scala urbana di misurazioni georeferenziate LTE e 5G NR, integrate con modelli di edifici e terreno, progettato per supportare l'analisi, la pianificazione e l'ottimizzazione delle reti mobili tramite apprendimento automatico.
Il paper propone un framework generale per l'apprendimento federato con gradienti stocastici ritardati, dimostrando che un passo di apprendimento decrescente predefinito è sufficiente per raggiungere i tassi di convergenza ottimali sia per funzioni convesse che non convesse, eliminando la necessità di strategie adattive complesse.
Il paper propone gli algoritmi HomeAdam(W), che combinano Adam con SGD basato su momentum, dimostrando teoricamente e sperimentalmente che raggiungono un tasso di generalizzazione e di convergenza superiori rispetto alle versioni standard di Adam e AdamW.
Il paper propone SAGE, un metodo di riordinamento a inferenza che migliora la robustezza dei pianificatori basati su diffusione nell'apprendimento per rinforzo offline penalizzando i piani dinamicamente incoerenti tramite un segnale di consistenza latente, senza richiedere nuove interazioni con l'ambiente o riaddestramento della policy.
Il paper introduce DREAM, un framework unificato che combina apprendimento rappresentativo visivo e generazione di immagini da testo tramite tecniche di mascheramento progressivo e decodifica semanticamente allineata, ottenendo prestazioni superiori sia nella comprensione visiva che nella generazione senza ricorrere a reranker esterni.
Il paper presenta SorryDB, un benchmark dinamico di 1000 compiti reali in Lean estratti da progetti GitHub, dimostrando che gli approcci attuali (modelli linguistici, agenti e provatori simbolici) sono complementari e che un approccio basato su agenti con Gemini Flash, sebbene il più performante, non supera sistematicamente gli altri metodi.
Questo lavoro risolve il problema della decomposizione ANOVA funzionale per input categorici dipendenti fornendo una formula chiusa, computazionalmente efficiente e priva di assunzioni, che generalizza i valori SHAP a distribuzioni con supporto non rettangolare.
Il paper propone TSC-GRPO, un framework che risolve la vulnerabilità degli LLM agli attacchi adversariali tramite un'analisi causale dell'intento e un'ottimizzazione della politica basata su GRPO, garantendo così un allineamento di sicurezza robusto e persistente senza compromettere l'utilità generale.
Questo articolo propone il framework UMQ, una soluzione unificata che affronta simultaneamente le modalità mancanti e rumorose nei dati multimodali di bassa qualità attraverso un estimatore di qualità guidato dal ranking, un potenziatore di qualità e un meccanismo di routing intelligente, superando così gli approcci precedenti che trattavano questi problemi separatamente.
Questo studio evidenzia come la previsione selettiva nei modelli di intelligenza artificiale multimodali per la classificazione clinica possa compromettere le prestazioni a causa di una grave miscalibrazione dipendente dalla classe, sottolineando la necessità di valutazioni specifiche per garantire la sicurezza nelle applicazioni mediche.
Questo articolo presenta un approccio basato sulla simulazione per il rilevamento della voce propria negli apparecchi acustici, che utilizza un singolo microfono e un classificatore transformer addestrato su funzioni di trasferimento acustiche simulate per raggiungere un'alta accuratezza e garantire una buona generalizzazione ai dati reali.
Questo studio dimostra che l'inizializzazione ridotta, combinata con la discesa del gradiente fattorizzata, permette di recuperare tensori a basso rango-tubolare in presenza di rumore con un errore di recupero quasi minimassimo ottimale, indipendentemente dal grado di sovrastima del rango, superando i limiti delle inizializzazioni spettrali tradizionali.
Questo lavoro presenta una ricetta di addestramento che abilita l'efficienza MXFP4 per i modelli MoE su larga scala su GPU Hopper, riducendo significativamente l'uso di memoria e migliorando il throughput attraverso una quantizzazione diretta FP8-FP4 e una conversione scalare, senza richiedere supporto nativo per i Tensor Core FP4.
Questo articolo propone un approccio basato sull'apprendimento per rinforzo profondo (DRL) per ottimizzare la selezione dei fasci nelle reti di accesso radio mmWave multi-pannello, sfruttando le caratteristiche spaziali e le statistiche d'uso per migliorare l'efficienza spettrale e ridurre la latenza fino a 7 volte rispetto alle soluzioni tradizionali.
Il paper presenta BoGA, un framework che combina algoritmi genetici e ottimizzazione bayesiana per guidare in modo efficiente la progettazione di proteine, accelerando la scoperta di leganti peptidici ad alta affidabilità contro la pneumolisina.
Il paper propone un framework di calibrazione stratificata per la generalizzazione di serie temporali che, identificando e allineando solo campioni strutturalmente compatibili, risolve il problema del trasferimento negativo causato dall'eterogeneità dei sistemi dinamici latenti, ottenendo prestazioni superiori rispetto agli stati dell'arte su 19 dataset pubblici.
Il paper introduce NE-Dreamer, un agente di apprendimento basato su modelli che, prevedendo le embedding successive tramite un transformer temporale senza utilizzare funzioni di ricostruzione, supera o eguaglia le prestazioni degli stati dell'arte in ambienti parzialmente osservabili complessi.