10951 articoli
Il documento propone un framework ricorrente a cancelli consistente nelle rappresentazioni (RC-GRF) che, attraverso una regolarizzazione volta a garantire la coerenza temporale degli stati nascosti, migliora la robustezza e la generalizzazione nella classificazione di serie temporali mediche caratterizzate da rumore e dati mancanti.
Il documento introduce il framework Certainty-Validity (CVS) per valutare i sistemi a impegno discreto, evidenziando come la massimizzazione del punteggio CVS sia superiore alla semplice accuratezza nel prevenire l'overfitting benigno e nel garantire che i modelli smettano di impegnarsi quando le evidenze strutturali sono insufficienti.
Questo studio valuta la capacità di diversi modelli di linguaggio clinici di adattare le proprie raccomandazioni alle preferenze espresse dai pazienti, rivelando una sensibilità ai valori limitata ma migliorabile tramite specifiche strategie di mitigazione.
Questo studio dimostra che fornire esplicitamente l'informazione sull'angolo di aspetto ai classificatori di profili di portata ad alta risoluzione (HRRP) migliora significativamente l'accuratezza, anche quando l'angolo è stimato online tramite un filtro di Kalman causale con un errore contenuto.
Questo studio confronta sistematicamente modelli transformer e reti neurali ricorrenti (RNN) per la modellazione di materiali compositi, rivelando che le RNN offrono maggiore accuratezza e capacità di extrapolazione su dataset piccoli, mentre i transformer sono significativamente più veloci nell'inferenza su dataset grandi.
Questo lavoro presenta un modello surrogato adattivo guidato dall'incertezza, che combina XGBoost e CNN con un'analisi dell'incertezza per ridurre drasticamente il numero di simulazioni di campo di fase necessarie e l'impatto ambientale nella modellazione della solidificazione dendritica.
Il paper presenta un framework basato su grafi della conoscenza che integra fonti eterogenee per analizzare gli inibitori delle chinasi proteiche, consentendo il confronto contestuale dell'efficacia e la previsione delle reazioni avverse ai farmaci attraverso correlazioni target-eventi.
Questo articolo utilizza un'analisi probabilistica per sostenere che le prove basate sul profilo criminale, a differenza di quelle specifiche del caso, non possono dimostrare la colpevolezza dell'imputato per il reato specifico, ma solo supportare un'ipotesi generica.
Il paper propone SEval-NAS, un meccanismo di valutazione agnostico rispetto alla ricerca che converte le architetture neurali in vettori per prevedere metriche come latenza e memoria, dimostrando la sua efficacia come predittore di costi hardware e la sua facile integrazione in algoritmi esistenti come FreeREA.
Questo articolo descrive l'implementazione di una rete neurale artificiale, basata sulla regressione di Cox proporzionale di Ripley, per prevedere la durata dei sinistri lavorativi in Canada utilizzando codici di infortunio e dati demografici, superando i limiti delle tecniche statistiche tradizionali nella gestione della complessità dei dati.
Questo articolo propone un modello comportamentale innovativo per amplificatori di potenza a banda larga basato su una rete LSTM condizionata dall'ampiezza (AC-LSTM), che integra un meccanismo di gating fisico-consapevole per migliorare significativamente l'accuratezza temporale e la fedeltà spettrale rispetto alle tecniche tradizionali.
Il paper presenta Alpha-RF, un sistema automatizzato che combina un simulatore neurale ad alta velocità e l'apprendimento per rinforzo per progettare circuiti filtro RF con prestazioni sovrumane, riducendo i tempi di progettazione da giorni a pochi secondi e generalizzando a spazi di design non visti durante l'addestramento.
Il paper propone LIDS, un nuovo metodo che combina una metrica direzionale basata su SVD di BERT e l'algoritmo SOFARI per valutare l'accuratezza e l'interpretabilità delle sintesi generate dai grandi modelli linguistici, fornendo temi latenti e parole chiave con un tasso di falsi positivi controllato.
Il paper introduce CASCADE, un framework di super-risoluzione spaziotemporale che ricostruisce strutture geofisiche a scala fine attraverso un processo di trasporto esplicito e coerente basato sull'avvezione, garantendo la conservazione delle proprietà fisiche e migliorando la previsione di eventi estremi rispetto ai metodi tradizionali.
Questo articolo presenta un nuovo framework di reti neurali informate dalla fisica (PINN) che combina stime del canale basate su modelli con mappe RSS per migliorare l'accuratezza della stima nei sistemi MIMO a banda media superiore in scenari con vincoli di pilotaggio, ottenendo guadagni significativi nelle prestazioni e permettendo previsioni temporali multi-step.
Questo articolo propone HC-MAPPO-L, un framework di apprendimento per rinforzo multi-agente sicuro che ottimizza la collaborazione tra dispositivi edge e server per l'inferenza di reti neurali profonde, garantendo la privacy e soddisfacendo vincoli di ritardo dinamico attraverso un'allocazione gerarchica delle risorse e la partizione adattiva del modello.
Il paper introduce MAML-KT, un approccio di meta-apprendimento che risolve il problema del cold start nella tracciatura della conoscenza per nuovi studenti, permettendo una rapida adattamento del modello con pochi dati e migliorando significativamente l'accuratezza predittiva nelle fasi iniziali rispetto ai metodi tradizionali.
Il paper propone RADS, un framework di steering inferenziale basato sull'analisi di raggiungibilità e sul reinforcement learning che previene la memorizzazione nei modelli di diffusione testo-immagine senza compromettere la qualità o l'allineamento, offrendo una soluzione plug-and-play che non richiede modifiche al backbone.
Il paper presenta ADE-CoT, un framework di scaling adattivo a tempo di test che ottimizza l'editing delle immagini allocando dinamicamente le risorse di calcolo, verificando specificamente le modifiche e interrompendo opportunamente il processo, ottenendo così prestazioni superiori e un'accelerazione di oltre il doppio rispetto ai metodi Best-of-N.
Il paper introduce GrapHist, un innovativo framework di apprendimento auto-supervisionato basato su grafi che modella i tessuti istopatologici come reti cellulari per apprendere rappresentazioni strutturali generalizzabili, ottenendo prestazioni competitive con modelli vision-based ma con quattro volte meno parametri e superando i modelli supervisionati nel sottotipizzazione del cancro.