9599 articoli
Il lavoro presenta FLANDERS, un nuovo filtro pre-aggregazione per l'apprendimento federato che utilizza un modello di previsione autoregressiva su serie temporali multidimensionali per identificare e scartare aggiornamenti malevoli, garantendo robustezza anche quando i client maligni superano in numero quelli legittimi.
Il paper presenta FengWu, un avanzato sistema di previsione meteorologica globale a medio termine basato sull'intelligenza artificiale che, grazie a un'architettura multi-modale e multi-task addestrata su 39 anni di dati, supera le prestazioni di GraphCast estendendo la finestra di previsione affidabile a oltre 10 giorni con un costo computazionale estremamente ridotto.
Il paper propone FedHB, un nuovo approccio di apprendimento federale basato su modelli bayesiani gerarchici che, attraverso un algoritmo distribuito di discesa del blocco-coordinato, garantisce la privacy dei dati, include algoritmi noti come casi particolari e offre garanzie teoriche di convergenza e generalizzazione ottimali.
NUBO è un pacchetto Python open-source trasparente e modulare per l'ottimizzazione bayesiana, progettato per rendere accessibile l'ottimizzazione di funzioni costose da valutare a ricercatori di tutte le discipline attraverso un codice chiaro, una documentazione accurata e un'ampia flessibilità di configurazione.
Il paper propone il metodo TG-MIL, che integra bias induttivi topologici nel framework di Multiple Instance Learning per migliorare significativamente le prestazioni e la generalizzabilità in scenari con dati scarsi, come la classificazione di malattie rare.
Questo articolo presenta un benchmark sistematico di tre algoritmi quantistici variazionali adattivi (EVQE, VAns e RA-VQE) rispetto al QAOA su problemi QUBO, analizzando la qualità delle soluzioni, i tempi di calcolo e l'impatto dei parametri per fornire linee guida per l'ottimizzazione su dispositivi quantistici NISQ.
Questo articolo presenta una revisione sistematica della letteratura sui sistemi di raccomandazione che utilizzano i dati sulle impressioni, proponendo un quadro teorico unificato, una nuova classificazione e l'identificazione di direzioni future per lo sviluppo di sistemi di raccomandazione consapevoli delle impressioni.
Questo articolo esamina le sfide di fattualità e i rischi di disinformazione posti dalle grandi modelli linguistici, proponendo soluzioni tecnologiche, normative e di alfabetizzazione per garantire la veridicità nell'era dell'IA generativa.
Questo articolo presenta nuovi limiti di complessità del campione privi di entropia metrica per l'approssimazione della media campionaria nella programmazione stocastica convessa, dimostrando che tale metodo raggiunge un'efficienza di campionamento paragonabile a quella del discesa dello specchio stocastico e offrendo vantaggi teorici e pratici anche in scenari non lipschitziani.
Questo lavoro propone un nuovo modello causale parziale latente per l'apprendimento multimodale che, superando i limiti dei DAG tradizionali, dimostra teoricamente e verifica sperimentalmente come l'apprendimento contrastivo multimodale (MMCL) e modelli pre-addestrati come CLIP possano generare rappresentazioni disaccoppiate robuste, migliorando l'apprendimento con pochi esempi e la generalizzazione di dominio.
Il documento presenta GODD, un modello di diffusione basato su autoencoder asimmetrici equivarianti che, guidato da prior strutturali distribuzionali, permette di generare molecole 3D in regioni sparsamente rappresentate addestrandosi su dati abbondanti, migliorando significativamente il successo nella generazione di strutture chimiche fuori distribuzione e nelle applicazioni di scoperta di farmaci.
Questo articolo valuta il potenziale di ChatGPT come co-pilota nei flussi di lavoro di data science, esaminando le sue capacità nell'esplorazione dei dati, nella visualizzazione e nelle attività di modellazione supervisionata e non supervisionata, pur sottolineando la necessità di considerare attentamente i suoi limiti nell'analisi empirica.
Il paper presenta FiLo, un nuovo metodo per il rilevamento di anomalie zero-shot che migliora le prestazioni combinando descrizioni testuali fine-grained generate da LLM e una localizzazione di alta qualità potenziata da Grounding DINO e interazione cross-modale multiscala, ottenendo risultati all'avanguardia sui dataset MVTec e VisA.
Questo lavoro propone il metodo USEFUL, che riduce il pregiudizio verso la semplicità modificando la distribuzione dei dati di addestramento tramite un campionamento mirato basato sull'output iniziale della rete, migliorando così la generalizzazione in-distribuzione e ottenendo prestazioni state-of-the-art su diversi dataset e architetture.
Il paper propone "Astral", una nuova funzione di perdita per le reti neurali fisicamente informate basata su maggioranti dell'errore che, a differenza della minimizzazione del residuo, fornisce una stima diretta e affidabile dell'errore, permettendo un controllo preciso della precisione della soluzione e dimostrando una convergenza più rapida e un errore inferiore in vari problemi di equazioni alle derivate parziali.
Questo studio presenta il primo benchmark su larga scala che, confrontando 19 modelli su 34 dataset a bassa dimensionalità, dimostra come il modello di Cox proporzionale dei rischi rimanga il metodo più semplice, robusto e sufficiente per la maggior parte delle applicazioni di analisi di sopravvivenza su dati censurati a destra.
Il paper presenta VICatMix, un modello di mistura bayesiana variazionale efficiente e preciso per il clustering e la selezione di variabili in dati biomedicali categorici ad alta dimensionalità, con applicazioni dimostrative nella sottotipizzazione del cancro e nella scoperta di geni driver.
Il paper presenta GeometricKernels, un pacchetto Python che implementa i kernel geometrici analoghi a quelli euclidei (come il calore e Matérn) per l'apprendimento su varietà, mesh e grafi, consentendo il calcolo efficiente delle loro espansioni e il supporto per la differenziazione automatica su più framework.
Questo lavoro propone una metodologia basata sul meta-learning per analizzare l'efficacia del Quantum Annealing su problemi QUBO, utilizzando un ampio dataset di oltre cinquemila istanze per identificare le caratteristiche dei problemi (in particolare la distribuzione dei coefficienti di bias e accoppiamento) che ne influenzano le prestazioni.
Questo studio dimostra come l'apprendimento per rinforzo possa essere utilizzato per far generare autonomamente a un agente circuiti quantistici variazionali efficaci, scoprendo persino una nuova famiglia di ansatz (-connected) che ottiene elevati rapporti di approssimazione per problemi di ottimizzazione come il Maximum Cut.