10725 articoli
Il paper propone EUBRL, un algoritmo di apprendimento per rinforzo bayesiano che utilizza l'incertezza epistemica per guidare l'esplorazione, garantendo ottimalità teorica e prestazioni superiori in termini di efficienza dei campioni su MDP a orizzonte infinito con ricompense sparse.
Il paper presenta SoFlow, un framework per la generazione in un singolo passo che, grazie a una nuova funzione di perdita di coerenza della soluzione che evita il calcolo del prodotto vettore-Jacobiano, supera le prestazioni dei modelli MeanFlow su ImageNet 256x256.
Il documento presenta DTDR, un metodo di recupero dinamico delle dipendenze degli strumenti che, condizionandosi sia alla query iniziale che al contesto di esecuzione in evoluzione, supera i limiti dei recuperatori statici migliorando significativamente l'accuratezza e l'efficienza degli agenti di chiamata di funzioni.
Il documento presenta RMAAT, un'architettura Transformer ispirata alle funzioni degli astrociti che combina compressione della memoria adattiva e ricorsione segmentata per superare la complessità quadratica dell'attenzione e abilitare l'elaborazione efficiente di contesti lunghi.
Il paper introduce i PiNets, un framework di deep learning basato sul principio di leggibilità del modello, che garantisce allineamento esplicativo assicurando che le spiegazioni riflettano direttamente il processo decisionale del modello piuttosto che fungere da razionalizzazioni, ottenendo al contempo fedeltà in termini di significatività, robustezza e sufficienza.
Il paper introduce AgentOCR, un framework che ottimizza l'efficienza dei token e della memoria negli agenti LLM trasformando la cronologia delle interazioni in immagini compatte, implementando una cache ottica segmentata per evitare ridondanze e un meccanismo di auto-compressione adattiva che mantiene oltre il 95% delle prestazioni riducendo il consumo di token del 50%.
Il paper presenta TP-Blend, un framework leggero e senza addestramento che combina due prompt testuali distinti per fondere con precisione un nuovo oggetto e uno stile in modelli di diffusione, utilizzando i moduli CAOF e SASF per preservare la coerenza geometrica e la texture dettagliata.
Il paper presenta Latent-GRPO, un framework che sfrutta le proprietà geometriche dello spazio latente per generare ricompense intrinseche continue tramite l'algoritmo IRCE, eliminando la dipendenza da verificatori esterni costosi e raddoppiando la velocità di addestramento rispetto ai metodi basati su GRPO.
Il paper introduce le Perceptual Counterfactual Geodesics (PCG), un metodo che genera spiegazioni controfattuali tracciando geodetiche su una varietà Riemanniana percepita, garantendo così transizioni semanticamente valide e robuste che superano le limitazioni delle metriche di distanza tradizionali.
Questo studio presenta una meta-analisi dinamica (LIMA) che, aggiornandosi continuamente secondo le linee guida PRISMA-LSR e applicando un modello bayesiano, evidenzia un effetto positivo delle intelligenze artificiali generative sull'apprendimento della matematica (g = 0,42) basato su 21 ricerche, pur sottolineando la necessità di ulteriori evidenze data la vasta intervallo di credibilità.
Questo articolo supera i limiti dell'analisi basata sul parametro per la privacy differenziale locale pura, introducendo un nuovo indice di shuffling derivato dalla divergenza blanket che permette di caratterizzare l'amplificazione della privacy per meccanismi più generali come la Gaussiana, fornendo al contempo un algoritmo FFT efficiente per il calcolo numerico della privacy in scenari finiti.
Il paper presenta "Domain Expansion", un framework che risolve il collasso delle rappresentazioni latenti nel multi-task learning assegnando ciascun obiettivo a un sottospazio ortogonale tramite un meccanismo di pooling innovativo, garantendo così un spazio latente stabile, interpretabile e composizionale.
Il paper presenta un framework basato sul principio dell'Information Bottleneck deterministico che risolve le sfide del clustering su dati sparsi, permettendo un'assegnazione congiunta di pesi alle feature e di cluster, come dimostrato su dati sintetici e reali di genetica.
Questo lavoro evidenzia come le spiegazioni fornite dalle Reti Neurali su Grafi auto-spiegabili (SE-GNN) possano essere fuorvianti e non correlate alla logica di inferenza del modello, introducendo una nuova metrica di fedeltà in grado di rilevare tali fallimenti sia in contesti malevoli che naturali.
Lo studio dimostra che i modelli di ricompensa ereditano pregiudizi di valore dal loro modello linguistico preaddestrato, mostrando preferenze sistematiche per l'«agenzia» o la «comunione» in base alla base utilizzata, il che sottolinea l'importanza cruciale della fase di preaddestramento e della scelta del modello di base per l'allineamento ai valori umani.
Questo lavoro introduce il benchmark CAAD-3K e un nuovo framework di apprendimento della compatibilità condizionale basato su rappresentazioni visione-linguaggio per affrontare l'individuazione di anomalie contestuali, superando i limiti degli approcci tradizionali che considerano l'anomalia come una proprietà intrinseca indipendente dal contesto.
Il paper propone il Decoupled Diffusion Inverse Solver (DDIS), un framework generativo efficiente nei dati che risolve i problemi inversi delle PDE disaccoppiando l'apprendimento del prior dei coefficienti dalla modellazione esplicita dell'operatore fisico, ottenendo così prestazioni superiori rispetto ai modelli congiunti, specialmente in scenari con dati limitati.
Questo articolo propone un metodo innovativo di quantizzazione post-allenamento per i modelli di diffusione che, assegnando pesi ottimali ai campioni di calibrazione per allineare i gradienti tra i diversi passi temporali, supera le limitazioni delle tecniche esistenti e migliora significativamente l'efficienza e le prestazioni del modello.
Il paper presenta VDR-Bench, un nuovo benchmark di 2.000 istanze progettato per valutare in modo realistico le capacità di ricerca visiva e testuale dei modelli linguistici multimodali, superando le limitazioni degli attuali dataset e proponendo un flusso di lavoro a più round con ritaglio dell'immagine per migliorare le prestazioni di recupero visivo.
Il paper introduce PSN-RLVR, un metodo che supera i limiti esplorativi del Reinforcement Learning con Ricompense Verificabili (RLVR) applicando rumore nello spazio dei parametri dei modelli LLM, integrato con campionamento per importanza tronco e un adattatore di rumore in tempo reale, per migliorare significativamente le prestazioni di ragionamento matematico su larga scala.