10861 articoli
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.
Il paper propone DADO, un nuovo algoritmo di ottimizzazione distribuzionale che sfrutta la decomponibilità delle funzioni predittive tramite alberi di giunzione e passaggio di messaggi sui grafi per ottimizzare in modo più efficiente la progettazione di oggetti discreti in ambito scientifico.
Il documento presenta Verbal Technical Analysis (VTA), un nuovo framework che combina annotazioni testuali e ragionamento latente per generare previsioni azionarie accurate e interpretabili, superando le limitazioni dei modelli linguistici attuali che non analizzano adeguatamente i dati storici dei prezzi.
Il paper propone denoiser universali basati sulla contrazione distribuzionale che, ignorando la distribuzione specifica del segnale e del rumore, offrono miglioramenti significativi rispetto alla formula di Tweedie nel ripristinare l'intera distribuzione del segnale sottostante, raggiungendo un'accuratezza superiore attraverso tecniche ispirate al trasporto ottimo e allo score matching.
Questa rassegna analizza lo stato attuale dei modelli generativi per la previsione e la generazione *de novo* di strutture cristalline, esaminando rappresentazioni, modelli, limiti, considerazioni sperimentali e temi emergenti per guidare sia gli scienziati sperimentali che gli specialisti di machine learning nella progettazione inversa dei materiali.
Questo articolo propone un approccio basato su Graph Neural Networks per stimare l'entropia di Rényi di stabilizzatore come misura di nonstabilizerness nei circuiti quantistici, dimostrando una robusta capacità di generalizzazione e di previsione sia su dati simulati che su hardware quantistico rumoroso.
Il paper presenta InnoGym, il primo benchmark e framework progettato per valutare sistematicamente il potenziale innovativo degli agenti AI attraverso metriche di guadagno prestazionale e novità, rivelando un divario critico tra creatività e robustezza nelle soluzioni generate.
Il paper presenta TRIM-KV, un metodo innovativo che utilizza un gate di retention appreso per selezionare dinamicamente i token più importanti nel cache KV, migliorando l'efficienza e le prestazioni dei modelli linguistici su lunghi contesti senza sovraccarichi computazionali significativi.
AdaptVision è un paradigma efficiente per i modelli visione-linguaggio che, ispirandosi alla visione attiva umana e utilizzando un framework di apprendimento per rinforzo con ottimizzazione della politica disaccoppiata (DTPO), determina autonomamente il numero minimo di token visivi necessari per ogni campione attraverso un approccio a grana grossa-fine che combina token compressi e l'acquisizione selettiva di regioni chiave.
Il paper presenta il "Conductor", un modello addestrato con reinforcement learning che coordina dinamicamente agenti LLM eterogenei, ottimizzando sia le topologie di comunicazione che le istruzioni per raggiungere risultati all'avanguardia in benchmark di ragionamento complessi.
Il paper presenta Trinity, un coordinatore leggero basato su una strategia evolutiva che orchestra la collaborazione dinamica tra diversi modelli linguistici assegnando loro ruoli specifici (pensatore, operatore o verificatore), ottenendo così prestazioni superiori e una robusta generalizzazione su compiti complessi senza richiedere la fusione dei pesi o l'accesso a API chiuse.
Questo lavoro introduce una gerarchia di denoiser agnostici basati sulle funzioni di punteggio di ordine superiore della distribuzione rumorosa, che attraverso ricorsioni di polinomi di Bell codificano progressivamente la mappa di trasporto ottimale di Brenier per il recupero del segnale, con analisi delle strategie di stima e dei relativi tassi di convergenza.
Il paper presenta Brain-Semantoks, un modello fondazionale auto-distillato che apprende token semantici robusti dalle dinamiche cerebrali fMRI per migliorare le prestazioni su compiti downstream e la generalizzazione fuori distribuzione.
Il paper propone Eik-HiQRL, un approccio di apprendimento per rinforzo gerarchico basato su un'equazione di Eikonal che supera i limiti dei metodi quasimetrici tradizionali offrendo generalizzazione fuori distribuzione e prestazioni all'avanguardia in compiti di navigazione e manipolazione.
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.