10410 articoli
Il paper presenta SamudrACE, un emulatore di modelli climatici globali accoppiati basato su machine learning che, integrando emulatori 3D per oceano e atmosfera, genera simulazioni stabili e ad alta risoluzione di secoli con una variabilità realistica dei fenomeni climatici accoppiati come ENSO.
Il paper presenta I2S, un framework leggero e in tempo reale per l'identificazione degli utenti tramite l'analisi delle pose 3D delle mani durante le interazioni uomo-oggetto in video egocentrici, ottenendo un'accuratezza del 97,52% e risultando ideale per sistemi di realtà aumentata in ambienti critici.
Questo studio propone un approccio di apprendimento automatico supervisionato, basato su modelli come la Regressione a Vettori di Supporto (SVR) e caratteristiche di circuito, per stimare in modo efficiente l'entropia di Rényi stabilizzatrice, dimostrando che tale metodo raggiunge stime accurate su circuiti casuali e generalizza bene su circuiti strutturati derivati dal modello di Ising trasverso.
Questo lavoro introduce NextHAM, un metodo di deep learning basato su Transformer con simmetria E(3) e correzioni esplicative, e il dataset Materials-HAM-SOC per predire con elevata accuratezza ed efficienza gli Hamiltoniani elettronici di materiali complessi includendo effetti di spin-orbita.
Questo articolo presenta la prima garanzia teorica di recupero esatto dei pesi di reti neurali ReLU sparse tramite un algoritmo di soglia iterativa, validata sperimentalmente su compiti di classificazione e rappresentazioni neurali con un'efficienza di memoria superiore rispetto alle tecniche esistenti.
Il paper presenta SynGA, un algoritmo genetico leggero che opera direttamente sulle rotte di sintesi per generare molecole sintetizzabili, dimostrando elevate prestazioni in compiti di progettazione molecolare e ottimizzazione delle proprietà grazie a operatori personalizzati e all'integrazione con filtri basati su machine learning.
Il paper propone FORCE, un metodo che corregge l'eccessiva dipendenza dalle caratteristiche visive negli attacchi di jailbreaking per appiattire il paesaggio delle perdite e migliorare significativamente la trasferibilità degli attacchi tra diversi modelli linguistici multimodali.
Il paper introduce GraphUniverse, un framework open-source per la generazione sintetica di famiglie di grafi con comunità semantiche persistenti, che permette la prima valutazione sistematica della generalizzazione induttiva su larga scala, rivelando che le prestazioni transduttive non sono predittive della capacità di generalizzare e che la robustezza dipende sia dall'architettura che dal regime grafico iniziale.
Il paper presenta SHINE, un framework senza addestramento che sfrutta i modelli di diffusione pre-addestrati come FLUX per realizzare composizioni di immagini fisicamente plausibili con ombre e riflessi realistici, superando le limitazioni delle tecniche esistenti e introducendo il nuovo benchmark ComplexCompo per valutare scenari complessi.
Il paper propone un approccio di modellazione dei reward basato su rubriche che, sfruttando esempi off-policy per distinguere le risposte eccellenti da quelle semplicemente buone, mitiga efficacemente l'over-ottimizzazione dei reward nel post-training dei grandi modelli linguistici.
Il paper presenta DistillKac, un generatore di immagini ad alta velocità che sfrutta l'equazione delle onde smorzata e la rappresentazione stocastica di Kac per garantire un trasporto di massa probabilistica a velocità finita, permettendo così la generazione di campioni di alta qualità con un numero ridotto di valutazioni della funzione.
Il paper presenta RED-DiffEq, un nuovo framework computazionale che integra modelli di diffusione pre-addestrati come meccanismo di regolarizzazione per risolvere problemi inversi governati da equazioni differenziali, dimostrando elevata accuratezza e robustezza nell'inversione della forma d'onda completa per la geofisica.
Questo lavoro introduce l'algoritmo AATU, che sfrutta la struttura dei processi di diffusione discreta assorbente per dimostrare una complessità di inferenza indipendente dall'errore , superando così i limiti teorici delle basi uniformi e fornendo un fondamento rigoroso per l'efficienza dei modelli di generazione basati su mascheramento.
Questo lavoro presenta un'analisi completa della potatura delle attivazioni N:M post-allenamento nei modelli linguistici di grandi dimensioni, dimostrando che tale approccio preserva meglio le capacità generative rispetto alla potatura dei pesi e identificando il pattern 8:16 come un compromesso ottimale tra flessibilità e complessità hardware.
Il paper introduce COMPASS, un framework innovativo che genera intervalli di previsione conformali efficienti e robusti per le metriche di segmentazione medica, calibrando direttamente nello spazio delle rappresentazioni del modello per ottenere garanzie di copertura più strette rispetto ai metodi tradizionali, anche in presenza di cambiamenti di distribuzione.
Il paper introduce HEAPr, un nuovo algoritmo di pruning che scompone gli esperti nei modelli MoE in "esperti atomici" indivisibili e utilizza informazioni di secondo ordine semplificate nell'output per ottenere una compressione quasi senza perdita con una complessità computazionale ridotta, superando le prestazioni dei metodi di pruning esistenti.
Il paper propone la Quantile Advantage Estimation (QAE), un metodo che sostituisce la baseline media con una quantile di gruppo per stabilizzare l'addestramento RLVR nei modelli linguistici, prevenendo collassi ed esplosioni di entropia e migliorando le prestazioni nel ragionamento matematico.
Il paper propone un nuovo approccio all'ottimizzazione Riemanniana su varietà implicite, sfruttando la connessione tra le operazioni geometriche e la funzione di punteggio dei modelli di diffusione per sviluppare algoritmi efficienti come DLF e DRGD, con applicazioni promettenti nel controllo dati-driven e nella progettazione generativa.
Questo studio analizza teoricamente e verifica sperimentalmente come il meccanismo di sovrapposizione nelle catene di pensiero continuo emerga naturalmente durante l'addestramento di trasformatori su problemi di raggiungibilità nei grafi, bilanciando esplorazione ed esplorazione attraverso la dinamica dei logit di corrispondenza degli indici.
Questo lavoro propone un approccio innovativo che consente di condurre molteplici esperimenti di preaddestramento in un'unica esecuzione, riducendo drasticamente i costi computazionali e permettendo di replicare risultati precedenti e esplorare nuove aree di ricerca con impatti minimi sulle prestazioni del modello.