10563 articoli
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.
Questo paper propone un quadro analitico e un toolkit di progettazione per distinguere la cooperazione benefica dal gioco delle metriche nel federated learning, offrendo principi operativi e algoritmi di audit per garantire un'interazione stabile e ad alto benessere tra i partecipanti strategici.
Il paper presenta BinaryShield, il primo sistema di intelligence sulle minacce che preserva la privacy, permettendo la condivisione sicura di impronte digitali degli attacchi tra servizi LLM separati da confini normativi tramite una pipeline innovativa che combina redazione PII, embedding semantico, quantizzazione binaria e risposta randomizzata, ottenendo prestazioni superiori rispetto alle soluzioni esistenti.
Il paper presenta AIssistant, il primo framework open-source agentic per la collaborazione tra umani e intelligenza artificiale nella generazione di revisioni e prospettive scientifiche nel campo della data science, che riduce significativamente il tempo di ricerca mantenendo l'integrità scientifica attraverso un flusso di lavoro multi-agente con supervisione umana.
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.