10080 articoli
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.
Il paper introduce KMP-Bench, un benchmark completo per valutare l'intelligenza pedagogica dei modelli linguistici nell'insegnamento della matematica K-8, evidenziando il divario tra le loro capacità di risoluzione e quelle didattiche, e presentando KMP-Pile, un dataset di dialogo su larga scala che, se utilizzato per il fine-tuning, migliora significativamente le prestazioni dei modelli in questo ambito.
Questo lavoro presenta un framework basato sull'apprendimento imitativo generativo avversariale che permette a sciami di robot di apprendere comportamenti collettivi sia da dimostrazioni umane che da policy pre-addestrate, con risultati validati sia in simulazione che su robot reali TurtleBot 4.
Questo articolo dimostra che l'integrazione di esempi di codice algoritmico di alta qualità e di algoritmi di benchmark come prior forti migliora significativamente l'efficienza e la robustezza della progettazione automatizzata di algoritmi guidata dai Large Language Models.
Il paper presenta TVF, un modello di enhancement vocale a bassa latenza e interpretabile che combina l'elaborazione del segnale digitale con l'adattabilità del deep learning per prevedere in tempo reale i coefficienti di un filtro IIR differenziabile, adattandosi dinamicamente al rumore non stazionario.
Il paper dimostra che per ottenere classificatori stabili e robusti, specialmente in contesti discontinui, è necessaria una sostanziale sovrapparametrizzazione, poiché i modelli che interpolano i dati con un numero di parametri pari al numero di campioni sono intrinsecamente instabili.
Questo articolo di rassegna esplora l'applicazione delle regole reticolari come punti di addestramento per le reti neurali profonde, dimostrando che l'uso di regolarizzazioni su misura basate su queste regole permette di ottenere limiti di errore di generalizzazione indipendenti dalla dimensionalità e prestazioni numeriche superiori rispetto alla regolarizzazione standard.
Il paper presenta ChemFlow, un innovativo framework di reti neurali gerarchiche che integra rappresentazioni atomiche, di gruppi funzionali e molecolari per prevedere con precisione le proprietà fisico-chimiche di miscele chimiche complesse, superando i limiti degli approcci esistenti nel modellare le interazioni multiscala e la dipendenza dalle concentrazioni.
Il paper propone MixFT, un metodo che migliora le previsioni zero-shot dei modelli fondazione per serie temporali suddividendo i dati in sottodomini omogenei tramite miscele bayesiane per un fine-tuning più efficace rispetto alle approcci tradizionali.
Questo articolo presenta le GaussDerResNets, una rete neurale residua provatamente invariante alla scala costruita con blocchi di derivate gaussiane, che dimostra eccellenti proprietà di generalizzazione su scale diverse e riduce i parametri grazie alle convoluzioni depthwise-separabili.
Questo articolo presenta MIStar, un nuovo framework di ricerca basato su miglioramento potenziato dalla memoria e su rappresentazione grafica eterogenea, che supera i metodi esistenti per risolvere il problema della schedulazione flessibile dei lavori (FJSP) nel contesto dell'Industria 4.0.
Il documento presenta DisDy-ICPT, un nuovo framework distribuito che apprende relazioni causali dinamiche e invarianti in serie temporali ambientali, garantendo stabilità predittiva senza necessità di comunicazione dei dati e superando i metodi esistenti in termini di accuratezza e robustezza.
Questo articolo propone il metodo di apprendimento polinomiale interpretabile (IPL), che integra l'interpretabilità nella struttura del modello per migliorare sia l'accuratezza che la trasparenza delle previsioni delle serie temporali, superando i limiti delle tecniche esistenti.
Questo lavoro dimostra che è possibile recuperare le proprietà distributive delle previsioni numeriche dei Large Language Models, inclusi gli indici di incertezza, addestrando sonde sulle loro rappresentazioni interne per prevedere direttamente statistiche come medie e quantili, evitando così il costoso processo di generazione autoregressiva.
Questo studio introduce il concetto di apprendimento comportamentale reversibile per superare i limiti strutturali dell'adattamento basato sui pesi, dimostrando che dissociare i comportamenti specifici dai parametri condivisi permette un ripristino deterministico dell'identità del modello, a differenza delle modifiche tradizionali che causano una divergenza permanente.
Il paper introduce i "Contextual Latent World Models", un approccio che combina modelli del mondo latenti con rappresentazioni di task inferite per apprendere dinamiche specifiche del compito e migliorare significativamente la generalizzazione nell'apprendimento per rinforzo meta-offline.
Questo studio evidenzia come, sebbene le rappresentazioni acustiche auto-supervisionate (Wav2Vec 2.0) superino i metodi tradizionali nel rilevamento del declino cognitivo, presentino significative disparità di prestazioni basate su genere ed età, sottolineando la necessità di valutazioni eque e specifiche per sottogruppi nelle applicazioni cliniche basate sulla voce.
Il paper presenta GraphSSR, un nuovo framework che supera i limiti delle strategie di estrazione dei sottografi "one-size-fits-all" nel ragionamento grafico zero-shot basato su LLM, introducendo un processo adattivo di "Sample-Select-Reason" potenziato da tecniche di fine-tuning supervisionato e apprendimento per rinforzo per la denoising dinamica dei sottografi.
Questo lavoro propone l'uso di Fourier Features consapevoli del dominio (DaFFs) per migliorare l'accuratezza, l'efficienza e l'interpretabilità delle Physics-Informed Neural Networks (PINN), eliminando la necessità di termini di perdita espliciti per le condizioni al contorno e fornendo attribuzioni di rilevanza fisicamente coerenti tramite un framework LRP.
Lo studio dimostra che i modelli fondazionali per cellule singole, come Geneformer e scGPT, codificano una ricca conoscenza biologica organizzata ma possiedono una logica regolatoria causale minima, rivelando che il collasso di superposizione e la mancanza di risposte specifiche ai fattori di trascrizione limitano la loro capacità di rappresentare meccanismi causali.