10313 articoli
Il paper presenta CASCADE, un deobfuscator JavaScript ibrido sviluppato da Google che combina le capacità di Gemini per identificare le funzioni prelude critiche con le trasformazioni deterministiche di un'intermedia rappresentazione (JSIR), superando i limiti delle tecniche esistenti e migliorando l'efficienza dell'analisi del codice in produzione.
Questo studio presenta un'analisi su larga scala che applica la regressione con ancoraggio e introduce il "anchor boosting" per migliorare la generalizzazione dei modelli predittivi nei dati delle terapie intensive provenienti da diverse strutture, proponendo inoltre un quadro concettuale per determinare quando è più vantaggioso utilizzare dati esterni o adattarsi ai dati del dominio target.
Questo lavoro propone un modello ibrido che combina la rilevazione bayesiana dei regimi con i processi neurali condizionali per prevedere i prezzi dell'energia elettrica in Germania, dimostrando attraverso un'analisi multi-criterio TOPSIS che la soluzione proposta offre un equilibrio operativo superiore rispetto ai modelli tradizionali per il periodo 2021-2023.
Il paper presenta DisTaC, un metodo innovativo che utilizza la distillazione per pre-condizionare i vettori di task, correggendo le disparità nelle norme e la bassa confidenza dei modelli sorgente per migliorare la robustezza e le prestazioni del merging di modelli in scenari realistici.
Il paper propone HGTS-Former, una nuova architettura Transformer basata su ipergrafi gerarchici che migliora l'analisi delle serie temporali multivariate modellando le complesse interazioni tra variabili, ottenendo risultati all'avanguardia anche su un nuovo dataset su larga scala per il riconoscimento dei modi localizzati ai bordi nella fusione nucleare.
Questo articolo presenta MORNAVI, il primo algoritmo con garanzie teoriche per l'apprendimento online in giochi di Markov distribuzionalmente robusti, permettendo a sistemi multi-agente di imparare direttamente dalle interazioni ambientali senza dipendere da simulatori o dataset offline.
Questo lavoro propone un approccio multiscale basato sull'apprendimento automatico che, attraverso un processo di riduzione della dimensionalità e ricostruzione, apprende l'operatore di evoluzione delle dinamiche di folla in uno spazio latente per simulare con precisione e velocità il comportamento collettivo partendo da dati microscopici individuali.
Questo lavoro presenta il primo studio sistematico sugli attacchi di inversione del modello per i modelli visione-linguaggio, introducendo la tecnica SMI-AW che sfrutta un pesamento adattivo dei token per ricostruire con successo dati di addestramento privati, evidenziando così gravi rischi per la privacy nei modelli VLM attualmente disponibili.
Il paper presenta Agnostics, una pipeline di post-addestramento basata sul reinforcement learning che, valutando il codice esclusivamente tramite il suo comportamento osservabile esterno, permette di insegnare efficacemente a modelli linguistici di diverse dimensioni a programmare in lingue a risorse limitate senza richiedere infrastrutture specifiche per ogni linguaggio.
Il paper propone SE-LLM, un nuovo approccio che potenzia i Large Language Models per la previsione delle serie temporali integrando le caratteristiche intrinseche dei dati nel loro spazio semantico e aggiungendo un modulo plugin per modellare sia le dipendenze a lungo termine che le anomalie a breve termine, ottenendo prestazioni superiori con un ridotto consumo computazionale.
Il paper propone un algoritmo iterativo a due fasi che, sfruttando la rappresentazione discreta delle sequenze di eventi continui, identifica le strutture causali nei processi di Hawkes multivariati anche in presenza di sottoprocessi latenti non osservati.
Il paper presenta MOON, il primo modello generativo basato su MLLM per l'apprendimento di rappresentazioni multimodali nel commercio elettronico, che supera i limiti delle architetture discriminative esistenti attraverso un modulo MoE guidato, il rilevamento di regioni semantiche chiave e una strategia di campionamento negativo specializzata, supportato dal nuovo benchmark MBE.
Il paper propone un nuovo framework chiamato Next Visual Granularity (NVG) che genera immagini decomponendole in una sequenza strutturata di granularità visiva crescente, dai layout globali ai dettagli fini, ottenendo risultati superiori rispetto alla serie VAR sul dataset ImageNet.
Questo lavoro dimostra teoricamente e valida sperimentalmente che l'identificazione federata di sistemi non lineari supera gli approcci centralizzati, garantendo un tasso di convergenza che migliora all'aumentare del numero di client grazie a una scelta accurata delle funzioni di base e a una strategia di esplorazione non attiva.
Il paper propone MMQ, un framework a due stadi che genera ID semantici scalabili e adattivi tramite un tokenizzatore multimodale a misto di quantizzazione, risolvendo le sfide di sinergia tra modalità e allineamento comportamentale nei sistemi di raccomandazione.
Il paper propone DUP-OT, un nuovo framework per la raccomandazione cross-dominio in scenari senza sovrapposizioni che modella le preferenze degli utenti come distribuzioni Gaussiane Miste e le allinea tramite trasporto ottimo per migliorare le previsioni di rating e mitigare il problema del cold-start.
Lo studio dimostra che per i modelli linguistici Mixture-of-Experts, l'ottimizzazione delle capacità di ragionamento richiede un bilanciamento congiunto tra i FLOPs attivi e il rapporto tra token totali e parametri, superando le tradizionali leggi di scalabilità basate solo sulla perdita di pre-addestramento.
Questo articolo presenta un metodo per implementare il calcolo di Pearl sui circuiti quantistici attraverso una "chirurgia del circuito", dimostrando sperimentalmente su hardware NISQ che tale approccio riproduce con precisione le distribuzioni interventive classiche, inclusa una variante del paradosso di Simpson, senza però garantire un vantaggio computazionale quantistico.
Lo studio dimostra che l'iniezione di informazioni tramite forze attrattive non lineari in sistemi di materia attiva, in particolare nelle gocce liquide, ottimizza le prestazioni del reservoir computing attivando meccanismi regolatori emergenti che migliorano la diversità morfologica e dinamica, la memoria e la non linearità del sistema.
Il paper propone EigenBench, un metodo di benchmarking "black-box" che valuta l'allineamento ai valori dei modelli linguistici aggregando i loro giudizi reciproci tramite EigenTrust, ottenendo risultati coerenti con le valutazioni umane e senza richiedere etichette di verità fondamentale.