10858 articoli
Il paper introduce POYO-CAP, una strategia di preaddestramento ibrida e biologicamente fondata che sfrutta l'eterogeneità dei dati di imaging del calcio selezionando inizialmente neuroni statisticamente regolari per un apprendimento auto-supervisionato, ottenendo così significativi miglioramenti nel decoding dinamico visivo e una scalabilità stabile rispetto ai metodi tradizionali.
Lo studio dimostra che gli algoritmi di allineamento dei feedback, per funzionare su scale temporali biologiche, devono rispettare il principio di sovrapposizione temporale tra l'attività presinaptica e il segnale di errore localmente proiettato, analogamente a quanto avviene per le tracce di eleggibilità.
Il paper introduce LightMem, un sistema di memoria leggero ed efficiente ispirato al modello di memoria umana di Atkinson-Shiffrin che, organizzando le informazioni in tre stadi (sensoriale, a breve termine e a lungo termine con aggiornamenti offline), migliora significativamente l'accuratezza delle domande e riduce drasticamente l'uso di token e chiamate API rispetto ai metodi esistenti.
Il paper introduce Loopholing, un meccanismo deterministico che preserva le informazioni distribuzionali nei modelli di diffusione discreta, consentendo loro di superare i limiti del campionamento e raggiungere prestazioni superiori rispetto ai modelli autoregressivi nella generazione di testo e nel ragionamento.
Il paper introduce Scaf-GRPO, un framework di ottimizzazione delle politiche che supera il fenomeno della "scogliera dell'apprendimento" fornendo indicazioni progressive solo quando necessario, migliorando così significativamente le capacità di ragionamento dei modelli linguistici su problemi complessi come dimostrato dai risultati sui benchmark matematici.
Il paper propone DAG-Math, un framework che modella il ragionamento matematico degli LLM come un processo stocastico su grafi aciclici diretti per valutare la fedeltà logica delle derivazioni oltre la semplice accuratezza della risposta finale, introducendo un nuovo benchmark e una metrica di "vicinanza logica".
Il paper presenta BioCAP, un modello fondazionale biologico che supera le limitazioni della mancanza di descrizioni testuali reali generando didascalie sintetiche accurate tramite modelli linguistici multimodali, migliorando così l'allineamento tra immagini e testo per compiti come la classificazione delle specie e il recupero immagine-testo.
Questo lavoro introduce il primo quadro teorico che dimostra come gli ottimizzatori adattivi, tra cui Adam e Muon, mantengano tassi di convergenza vicini a quelli in precisione completa durante l'addestramento in bassa precisione, rivelando al contempo che Adam è più sensibile agli errori di quantizzazione rispetto a Muon.
Il paper propone HOPSS, un nuovo algoritmo di generazione dati che accelera notevolmente la creazione di dataset per PDE temporali non lineari applicando perturbazioni omologhe nello spazio delle soluzioni, riducendo drasticamente il tempo di calcolo rispetto ai metodi numerici tradizionali pur mantenendo un'alta precisione per l'addestramento dei modelli.
Questo articolo presenta FAME, un nuovo framework che combina sintesi formale offline e monitoraggio runtime online per rilevare i fallimenti silenziosi dell'IA e garantire la sicurezza verificabile nei sistemi critici, come dimostrato nel contesto dei veicoli autonomi e degli standard ISO.
Questo studio introduce un innovativo framework di diffusione "plug-and-play" che, separando lo spazio latente di denoising dallo spazio di osservazione originale tramite un procedimento di campionamento di Gibbs, migliora l'accuratezza del clustering e la coerenza biologica nei dati di sequenziamento dell'RNA a singola cellula gestendo efficacemente il rumore e permettendo la quantificazione dell'incertezza.
VoMP è un metodo feed-forward che prevede campi volumetrici di proprietà meccaniche (modulo di Young, rapporto di Poisson e densità) per oggetti 3D, garantendo la validità fisica dei materiali attraverso un addestramento su un dataset reale e superando le tecniche precedenti in accuratezza e velocità.
Questo articolo propone un nuovo framework di apprendimento per rinforzo multi-agente che ottimizza adattivamente la lunghezza del contesto tramite un agente centrale e una troncatura delle basse frequenze, migliorando l'efficienza esplorativa e ottenendo prestazioni all'avanguardia su compiti a lungo termine.
Questo articolo presenta un sistema integrato per l'acquisizione di dati CCL e propone metodi di pre-elaborazione e aumento dei dati che migliorano significativamente le prestazioni e la generalizzazione dei modelli di deep learning per il riconoscimento dei giunti di rivestimento in condizioni di dati limitati.
Lo studio dimostra che gli Sparse Autoencoder (SAE) possono rivelare nei modelli linguistici per la sanità le associazioni spurie tra razza e concetti stigmatizzanti, ma il loro utilizzo per mitigare tali pregiudizi tramite steering si rivela efficace solo in contesti semplici e poco utile per compiti clinici complessi.
Il paper presenta UME-R1, un framework innovativo per embedding multimodali generativi che, attraverso un addestramento in due fasi basato su reasoning e reinforcement learning, supera le limitazioni dei modelli discriminativi tradizionali ottenendo prestazioni superiori su un vasto set di benchmark.
Il paper presenta SLAP, un metodo che combina la pianificazione gerarchica basata su modelli con l'apprendimento per rinforzo senza modelli per scoprire automaticamente nuove azioni astratte ("scorciatoie"), permettendo a robot di risolvere compiti a lungo termine con maggiore efficienza e successo rispetto alle tecniche tradizionali.
Il documento presenta un nuovo framework di decomposizione tensoriale senza vincoli di rango basato sull'apprendimento metrico, che sostituisce gli obiettivi di ricostruzione con ottimizzazioni guidate dalla similarità per generare embedding interpretabili e fisicamente significativi, particolarmente efficaci in scenari scientifici con dati limitati.
Questo studio introduce la prima analisi della dimensionalità intrinseca delle rappresentazioni neurali implicite geografiche, rivelando che la loro complessità effettiva è molto inferiore alla dimensione ambientale e che tale metrica può essere utilizzata come strumento efficace per la valutazione, il debugging e la progettazione di modelli senza bisogno di etichette.
Il paper presenta DoFlow, un modello generativo basato su flussi continui definito su un grafo aciclico diretto causale che unifica previsioni osservazionali, interventionali e controfattuali per serie temporali, consentendo inoltre il rilevamento di anomalie tramite la stima della verosimiglianza.