cs.LG articoli | Gist.Science

Gravity Falls: A Comparative Analysis of Domain-Generation Algorithm (DGA) Detection Methods for Mobile Device Spearphishing

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.

Adam Dorian Wong, John D. Hastings2026-03-04🤖 cs.LG

Learning Demographic-Conditioned Mobility Trajectories with Aggregate Supervision

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.

Jessie Z. Li, Zhiqing Hong, Toru Shirakawa + 1 more2026-03-04🤖 cs.LG

How to Peel with a Knife: Aligning Fine-Grained Manipulation with Human Preference

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.

Toru Lin, Shuying Deng, Zhao-Heng Yin + 2 more2026-03-04⚡ eess

Privacy-Preserving Logistic Regression Training with A Faster Gradient Variant

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.

John Chiang2026-03-03🤖 cs.LG

Protecting Federated Learning from Extreme Model Poisoning Attacks via Multidimensional Time Series Anomaly Detection

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.

Edoardo Gabrielli, Dimitri Belli, Zoe Matrullo + 2 more2026-03-03📊 stat

FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead

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.

Kang Chen, Tao Han, Junchao Gong + 11 more2026-03-03🤖 cs.AI

FedHB: Hierarchical Bayesian Federated Learning

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.

Minyoung Kim, Timothy Hospedales2026-03-03📊 stat

NUBO: A Transparent Python Package for Bayesian Optimization

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.

Mike Diessner, Kevin J. Wilson, Richard D. Whalley2026-03-03🤖 cs.LG

Topological Inductive Bias fosters Multiple Instance Learning in Data-Scarce Scenarios

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.

Salome Kazeminia, Carsten Marr, Bastian Rieck2026-03-03⚡ eess

Benchmarking Adaptative Variational Quantum Algorithms on QUBO Instances

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.

Gloria Turati, Maurizio Ferrari Dacrema, Paolo Cremonesi2026-03-03🤖 cs.LG

Impression-Aware Recommender Systems

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.

Fernando B. Pérez Maurera, Maurizio Ferrari Dacrema, Pablo Castells + 1 more2026-03-03🤖 cs.AI

Factuality Challenges in the Era of Large Language Models

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.

Isabelle Augenstein, Timothy Baldwin, Meeyoung Cha + 15 more2026-03-03💬 cs.CL

Metric Entropy-Free Sample Complexity Bounds for Sample Average Approximation in Convex Stochastic Programming

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.

Hongcheng Liu, Jindong Tong2026-03-03📊 stat

Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning

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.

Yuhang Liu, Zhen Zhang, Dong Gong + 6 more2026-03-03🤖 cs.LG

Distributional Priors Guided Diffusion for Generating 3D Molecules in Low Data Regimes

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.

Haokai Hong, Wanyu Lin, Ming Yang + 1 more2026-03-03🧬 q-bio

Using ChatGPT for Data Science Analyses

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.

Ozan Evkaya, Miguel de Carvalho2026-03-03📊 stat

FiLo: Zero-Shot Anomaly Detection by Fine-Grained Description and High-Quality Localization

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.

Zhaopeng Gu, Bingke Zhu, Guibo Zhu + 4 more2026-03-03🤖 cs.LG

Changing the Training Data Distribution to Reduce Simplicity Bias Improves In-distribution Generalization

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.

Dang Nguyen, Paymon Haddad, Eric Gan + 1 more2026-03-03🤖 cs.AI

Astral: training physics-informed neural networks with error majorants

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.

Vladimir Fanaskov, Tianchi Yu, Alexander Rudikov + 1 more2026-03-03🔬 physics

A Large-Scale Neutral Comparison Study of Survival Models on Low-Dimensional Data

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.

Lukas Burk, John Zobolas, Bernd Bischl + 3 more2026-03-03🤖 cs.LG

← Precedente Successivo →