9976 articoli
Il paper propone I-CAM-UV, un metodo che integra modelli causali additivi con variabili non osservate (CAM-UV) su più dataset con insiemi di variabili non identici, enumerando tutti i grafi causali coerenti per superare i limiti delle tecniche di sovrapposizione tradizionali.
Il paper presenta Shape-DINO, un framework di operatori neurali informati dalle derivate che accelera l'ottimizzazione della forma sotto incertezza risolvendo problemi PDE su geometrie variabili con maggiore precisione e velocità rispetto ai metodi tradizionali.
Questo lavoro propone un nuovo approccio per le Physics-Informed Neural Networks (PINN) che combina un bilanciamento adattivo della perdita basato su gradienti lisciati e un collocamento adattivo dei residui per risolvere efficacemente problemi ad alta rigidità e dominati da shock, riducendo significativamente l'errore di soluzione rispetto ai metodi tradizionali.
L'articolo dimostra che, attraverso un'analisi basata sulle equazioni differenziali stocastiche, i metodi di ottimizzazione adattivi come DP-SignSGD sono preferibili in contesti ad alta privacy poiché mantengono prestazioni superiori e richiedono meno ritaratura degli iperparametri rispetto a DP-SGD, specialmente quando si utilizzano tassi di apprendimento fissi.
Questo articolo stabilisce una fondazione coalgebrica per l'apprendimento profondo categoriale, dimostrando come le azioni di gruppo e le mappe equivarianti possano essere generalizzate per garantire l'approssimazione universale di funzioni continue in un contesto astratto e indipendente dal dominio.
Il paper presenta SynthCharge, un generatore parametrico di istanze per il problema di routing dei veicoli elettrici con finestre temporali che, attraverso un processo di screening di fattibilità e una configurazione adattiva delle stazioni di ricarica, fornisce un'infrastruttura dinamica e verificabile per valutare modelli di ottimizzazione basati sull'apprendimento.
Questo studio introduce un nuovo algoritmo di apprendimento ispirato ai principi neurobiologici, come la sparsità e la legge di Dale, che permette alle reti neurali di generare rappresentazioni biologicamente plausibili, migliorando significativamente la robustezza, la generalizzazione e l'efficienza nell'apprendimento con pochi esempi.
Il paper introduce ElbowSig, un quadro inferenziale rigoroso che formalizza il metodo dell'elbow attraverso una statistica di curvatura normalizzata per determinare la significatività statistica di strutture di clustering a più scale, garantendo il controllo dell'errore di Tipo I indipendentemente dall'algoritmo di clustering utilizzato.
Lo studio dimostra che, nei modelli di ordine ridotto basati su autoencoder con dinamiche neurali ODE, la proiezione di Stiefel sul primo strato del decoder migliora costantemente le prestazioni di previsione a lungo termine, mentre altre strategie di regolarizzazione geometrica, pur migliorando la regolarità locale del decoder, spesso ostacolano l'addestramento delle dinamiche latenti.
Il paper introduce Saguaro, un algoritmo di "speculative speculative decoding" che parallelizza le fasi di previsione e verifica per accelerare l'inferenza dei modelli linguistici fino a 2 volte rispetto alle tecniche speculative ottimizzate e fino a 5 volte rispetto al decoding autoregressivo tradizionale.
Questo lavoro presenta un framework computazionale ibrido che estende la metodologia PASSC ai problemi transienti, combinando un metodo agli elementi finiti stabilizzato (SUPG con cattura d'urto) con una rete neurale fisica (PINN) applicata selettivamente vicino al tempo finale per correggere le oscillazioni spuri e migliorare l'accuratezza delle soluzioni in regimi convettivi dominati.
LoGeR è un'architettura innovativa che supera i limiti di scala dei modelli geometrici feedforward per la ricostruzione 3D su video di lunga durata, combinando un modulo di memoria ibrido con addestramento test-time e attenzione a finestra scorrevole per garantire coerenza globale e precisione senza post-ottimizzazione.
Questo studio valuta l'efficacia di metodi tradizionali e basati sul machine learning per il rilevamento di algoritmi di generazione di domini (DGA) utilizzati nello smishing, rivelando tramite il nuovo dataset semi-sintetico "Gravity Falls" che le attuali soluzioni hanno prestazioni limitate e variabili a seconda delle tattiche evolutive degli attaccanti, sottolineando così la necessità di approcci più consapevoli del contesto.
Il paper presenta ATLAS, un approccio di supervisione debole che genera traiettorie di mobilità condizionate da dati demografici utilizzando solo traiettorie individuali non etichettate e statistiche aggregate regionali, migliorando significativamente il realismo demografico rispetto ai metodi esistenti.
Il paper presenta un framework di apprendimento in due fasi per l'automazione di compiti di manipolazione complessi e soggettivi come la sbucciatura con un coltello, che combina l'imitazione guidata dalla forza con un affinamento basato sulle preferenze umane per ottenere tassi di successo superiori al 90% e una forte generalizzazione zero-shot su diverse varietà di frutta e verdura.
Questo articolo presenta un efficiente "gradiente quadratico" che accelera la convergenza dell'addestramento della regressione logistica privacy-preserving, offrendo prestazioni superiori rispetto ai metodi tradizionali e permettendo un'implementazione omomorfica efficace in sole quattro iterazioni.
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.