2325 articoli
Il paper propone l'Adaptive Transfer Clustering (ATC), un framework unificato che ottimizza la decomposizione bias-varianza per sfruttare automaticamente le similarità tra un dataset principale e uno ausiliario, garantendo prestazioni ottimali in modelli statistici come le miscele gaussiane e i modelli a blocchi stocastici.
Questo lavoro propone un algoritmo di minimizzazione alternata prossimale appresa (LPAM) e la sua rete neurale associata (LPAM-net) per risolvere problemi di ottimizzazione non convessi e non lisci a due blocchi, garantendo la convergenza a punti stazionari di Clarke e dimostrando un'efficace efficienza parametrica e prestazioni superiori nella ricostruzione di risonanza magnetica multi-modale.
Questo studio propone un sistema neurosimbolico che, ricostruendo immagini mediche tramite primitive visive per generare spiegazioni strutturali ad alto livello, supera le architetture deep learning convenzionali nella diagnosi di anomalie istologiche offrendo al contempo maggiore accuratezza e trasparenza.
Il paper introduce Puppet-CNN, un framework che modella i parametri delle reti neurali convoluzionali come stati di un sistema dinamico continuo governato da un'equazione differenziale ordinaria, permettendo così di generare dinamicamente il numero di strati in base alla complessità dell'input e riducendo significativamente i parametri addestrabili mantenendo prestazioni competitive.
Questo lavoro propone un framework per i modelli di diffusione in cui il processo generativo si adatta dinamicamente alle esigenze di ciascun campione, permettendo di variare la traiettoria di denoising e ridurre il numero di passaggi di campionamento mantenendo la qualità dell'immagine.
Questo studio introduce una strategia di ottimizzazione dei set di compiti locomotori che, attraverso l'analisi di clustering delle caratteristiche biomeccaniche, riduce significativamente il carico di raccolta dati necessario per addestrare modelli di deep learning, mantenendo al contempo un'accuratezza elevata nella stima dei momenti articolari dell'anca per il controllo degli esoscheletri.
Questo articolo propone un approccio parametrico a bassa complessità spaziale per la regressione non parametrica che, superando i limiti computazionali dei metodi basati su kernel, garantisce tassi di convergenza minimassimali ottimali e stime finite precise per funzioni lisce e le loro derivate.
Questo articolo esamina il potenziale delle Generative Diffusion Models (GDM) nelle comunicazioni MIMO massive, fornendo una panoramica teorica, presentando un caso studio sull'estimazione del canale near-field e delineando le sfide future e le direzioni di ricerca per l'integrazione di questi modelli nell'evoluzione delle reti 5G e 6G.
Questo studio esamina l'impatto del collasso degli embedding nel Prompt-Tuning, dimostrando che l'uso di priors di embedding permette un controllo efficace sulle posizioni degli embedding e rivela che le traiettorie generate formano cluster distinti per compiti diversi, suggerendo che la generalizzazione dei modelli linguistici non dipende necessariamente da un unico cluster di attivazione.
Questo lavoro propone un metodo che sfrutta modelli visione-linguaggio preaddestrati per apprendere modelli del mondo simbolici astratti da dimostrazioni brevi, consentendo a sistemi robotici di pianificare e risolvere compiti decisionali a lungo termine con una generalizzazione zero-shot in scenari complessi e non visti in precedenza.
Il paper presenta UFGraphFR, un sistema di raccomandazione federato che supera i limiti della localizzazione dei dati trasformando le informazioni private in vettori semantici per ricostruire in modo sicuro grafi delle relazioni utente e migliorare la precisione dei suggerimenti senza compromettere la privacy.
Questo paper propone strategie di riduzione dei dati basate sul clustering nello spazio latente per ottimizzare l'addestramento avversario semi-supervisionato, consentendo di ridurre drasticamente il volume di dati non etichettati e i costi computazionali mantenendo un'elevata robustezza del modello.
Questo lavoro deriva limiti di errore per il rischio eccessivo nella classificazione con etichette rumorose all'interno di framework di deep learning, decomponendo l'errore in componenti statistiche e di approssimazione e affinando i risultati sotto l'ipotesi di varietà a bassa dimensionalità.
Il paper presenta GPC, un framework di controllo generativo che combina clonazione comportamentale, modelli predittivi del mondo e pianificazione online per superare le prestazioni della clonazione comportamentale in compiti di manipolazione robotica sia in simulazione che nel mondo reale.
Questo articolo analizza teoricamente e sperimentalmente la convergenza dell'errore di approssimazione verso zero in due schemi di calcolo codificato generale (BACC e LeTCC) in presenza di un regime probabilistico di server lenti, dimostrando che l'indipendenza delle interruzioni permette di ottenere risultati precisi anche quando il numero medio di server lenti scala con la dimensione totale del sistema.
Il paper introduce GRADIEND, un nuovo approccio encoder-decoder che utilizza i gradienti delle reti neurali per identificare e modificare i pesi responsabili dei pregiudizi sociali, consentendo di debiasare i modelli mantenendone le altre capacità.
Questo studio analizza la sicurezza e la qualità del codice generato da modelli linguistici su diverse lingue di programmazione, rivelando che, sebbene l'automazione sia efficace, molti modelli non adottano le moderne funzionalità di sicurezza e ricorrono ancora a metodi obsoleti, sottolineando la necessità di migliorare gli LLM per integrare le migliori pratiche emergenti.
Questo articolo propone un nuovo algoritmo di ricerca locale che, collegandosi all'ottimizzazione Frank-Wolfe a blocchi, identifica comunità polarizzate in reti firmate con vertici neutrali risolvendo il problema dello squilibrio dimensionale e garantendo una convergenza lineare con prestazioni superiori rispetto agli stati dell'arte.
Il paper presenta CLEF, un modello di generazione condizionale che supera i limiti delle metodologie esistenti consentendo l'editing controllato e mirato di traiettorie sequenziali biologiche e cliniche, modificando specifiche variabili a partire da un momento temporale definito per generare scenari controfattuali realistici.
Questo lavoro dimostra che l'uso della Low-Rank Adaptation (LoRA) nel federated learning per i grandi modelli linguistici riduce significativamente la memorizzazione involontaria dei dati di addestramento, migliorando la privacy senza compromettere le prestazioni.