9931 articoli
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.
Il documento dimostra che le reti neurali feedforward con attivazione ReLU, selezionate tramite il principio della minima descrizione lunghezza (MDL) per interpolare dati generati da un linguaggio di programmazione semplice, generalizzano con alta probabilità su compiti computazionali come il test di primalità, anche in presenza di rumore.
Il paper presenta un algoritmo universale per l'apprendimento di operatori tra spazi di Banach basato su applicazioni di Leray-Schauder, che dimostra efficienza e risultati paragonabili allo stato dell'arte su dataset di riferimento.
Questo lavoro propone una metrica computazionalmente efficiente e indipendente dalle prestazioni per misurare la ricchezza dinamica delle trasformazioni delle feature, superando i limiti dell'accuratezza come proxy e fornendo nuovi strumenti diagnostici per analizzare la relazione tra fattori di addestramento, dinamiche e rappresentazioni.
Questo articolo propone un'architettura di apprendimento neuro-simbolica che, partendo da poche dimostrazioni non etichettate, scopre simboli ad alto livello e acquisisce controllori a basso livello per pianificare ed eseguire compiti a lungo raggio in ambienti complessi e non visti, integrando modelli linguistici visivi per l'interpretazione dei simboli e la generazione di piani.
Questo studio propone un framework basato sull'apprendimento profondo per l'identificazione di concetti nel design generativo, che riduce il carico cognitivo dei progettisti classificando le alternative ottimizzate in categorie significative attraverso l'analisi delle relazioni tra proprietà geometriche e prestazioni strutturali.
Questo lavoro presenta un quadro teorico per stabilire limiti di errore rigorosi e pratici per l'uso delle reti neurali informate dalla fisica (PINN) nella risoluzione dell'equazione di Fokker-Planck, validando sperimentalmente la loro accuratezza e scalabilità rispetto ai metodi Monte Carlo su sistemi complessi.
Il paper propone REAG, un metodo che allinea la distribuzione dei ritorni tra dominio sorgente e target per adattare i Decision Transformer all'apprendimento offline con dinamiche diverse, ottenendo teoricamente e sperimentalmente prestazioni ottimali senza perdita dovuta allo shift dinamico.
Il paper presenta ProteinTTT, un metodo di adattamento self-supervised che personalizza i modelli linguistici proteici su singoli target specifici durante il test, migliorando significativamente le prestazioni nella previsione di struttura, fitness e funzione rispetto ai modelli generici.