10982 articoli
Il documento presenta PDNA, un'architettura neurale che integra dinamiche oscillatorie apprendibili e meccanismi di auto-attenzione nei modelli continui, dimostrando attraverso studi sperimentali che tale approccio migliora significativamente la robustezza delle reti ricorrenti rispetto alle interruzioni nei dati di input.
Il documento presenta SKINOPATHY AI, un'applicazione web basata su smartphone che utilizza visione artificiale leggera per offrire cinque moduli di screening oftalmico spiegabili e longitudinali in contesti a risorse limitate, garantendo privacy e funzionando interamente su hardware mobile senza inferenza nel cloud.
Questo lavoro propone un protocollo di valutazione basato su metriche di confine e analisi di equità tra sottoinsiemi per affrontare lo squilibrio estremo nella segmentazione di tratti alla lavagna, dimostrando che le funzioni di perdita basate sulla sovrapposizione e l'addestramento ad alta risoluzione migliorano significativamente le prestazioni rispetto ai metodi classici, offrendo al contempo una maggiore affidabilità nei casi peggiori.
Il documento descrive l'addestramento del modello video fondazionale Summer-22B su 50 milioni di clip, evidenziando come l'ingegneria dei dataset e la gestione dei dati siano state le sfide principali, superando le variazioni architetturali e dimostrando l'efficacia del trasferimento iperparametrico in contesti vincolati.
Il paper introduce AMPLIFY, un framework che integra modelli linguistici di grandi dimensioni (LLM) per adattare in tempo reale le strategie di ridistribuzione dei veicoli nelle flotte di micromobilità condivisa, migliorando significativamente la soddisfazione della domanda e le entrate rispetto ai metodi tradizionali di fronte a eventi emergenti e incertezze impreviste.
Questo articolo presenta un framework non intrusivo per la verifica dell'autenticità dell'autore che, analizzando i tempi di battitura come firme cognitive all'interno delle interfacce di scrittura esistenti, distingue la composizione genuina dalla trascrizione meccanica con un'accuratezza del 95% preservando la privacy.
Il paper introduce NNiT, un modello generativo basato su diffusion transformer che, sfruttando l'allineamento strutturale dei pesi tramite Graph HyperNetworks, genera reti neurali completamente funzionali e agnostiche rispetto alla larghezza, dimostrando una capacità di generalizzazione superiore su topologie architetturali mai viste durante l'addestramento.
Questo progetto dimostra come sia possibile ingegnerizzare applicazioni di intelligenza generativa per la medicina che rispettano la privacy, implementando un modello di inferenza client-side nel browser basato sui principi FAIR per prevedere i rischi di morbilità senza compromettere la sicurezza dei dati.
Il paper propone una politica basata su Transformer che integra consapevolmente la morfologia del robot attraverso token cinematici, bias di attenzione topologica e condizionamento degli attributi dei giunti, migliorando significativamente la robustezza e le prestazioni nell'apprendimento di strategie trasversali rispetto a diversi robot rispetto ai modelli VLA standard.
Il documento presenta RLShield, una pipeline pratica di apprendimento per rinforzo multi-agente che ottimizza la risposta automatica agli incidenti di sicurezza informatica nei sistemi finanziari, modellando la superficie di attacco come un processo decisionale di Markov per bilanciare velocità di contenimento e interruzione dei servizi.
Il paper propone ST-Lite, un framework di compressione della cache KV senza addestramento che, sfruttando la sparsità uniforme dell'attenzione nelle interfacce grafiche attraverso un'analisi combinata di salienza spaziale e semantica della traiettoria, riduce drasticamente l'uso di memoria e accelera l'elaborazione degli agenti GUI a lungo termine mantenendo alte prestazioni.
Il paper introduce OSF, una famiglia di modelli fondazione per il sonno ad alte prestazioni ottenuta attraverso la creazione del benchmark SleepBench e l'ottimizzazione delle strategie di pre-addestramento e scalatura su un vasto corpus di dati eterogenei.
Il paper propone LoDA, un metodo per l'apprendimento continuo basato su LoRA che migliora la condivisione e l'isolamento delle conoscenze attraverso una decomposizione dei sottospazi guidata dal task e un'ottimizzazione allineata al gradiente, superando i limiti delle tecniche esistenti che trascurano le direzioni condivise e le direzioni specifiche efficaci.
Il paper propone un nuovo framework di valutazione basato su due metriche diagnostiche (ePIW ed eDFR) per quantificare l'instabilità delle previsioni a livello individuale nei modelli di machine learning per la sanità, evidenziando come la variabilità introdotta dall'inizializzazione e dall'ottimizzazione possa alterare le decisioni cliniche nonostante le prestazioni aggregate appaiano stabili.
Questa ricerca ottimizza i modelli SOUP-GAN e CSR-GAN attraverso modifiche architetturali e tecniche di stabilizzazione, dimostrando che entrambi migliorano significativamente la ricostruzione delle immagini MRI ad alta risoluzione, con il CSR-GAN che eccelle nei dettagli ad alta frequenza e il SOUP-GAN nella riduzione del rumore e nel mantenimento della struttura.
Questo studio dimostra che, su un ampio set di dati clinici reali, le comuni tecniche di correzione dello squilibrio delle classi non migliorano la capacità discriminativa dei modelli di predizione del rischio e ne compromettono significativamente la calibrazione probabilistica.
Questo lavoro dimostra come i Quantum Wasserstein GAN, sfruttando architetture di circuiti variazionali specifiche e tecniche di input rumoroso, possano generare immagini ad alta risoluzione e diversificate su dataset completi come MNIST e Fashion-MNIST senza ricorrere a riduzioni dimensionali o modelli multipli, stabilendo un nuovo stato dell'arte nella generazione di immagini quantistica end-to-end.
Questo lavoro presenta un nuovo stimatore Monte Carlo basato su rumore di Langevin accoppiato per valutare campi di flusso che risolvono problemi di trasporto locale nella teoria dei campi reticolari, mitigando significativamente il rumore statistico e offrendo dati di addestramento non distorti per approcci di machine learning.
Il documento presenta un framework scalabile basato su processi gaussiani con kernel profondi di prodotto per l'apprendimento di campi spaziotemporali parametrizzati, che combina un'efficienza computazionale quasi lineare, la capacità di fornire stime di incertezza a basso costo e prestazioni competitive rispetto ai metodi di apprendimento degli operatori.
Il paper propone SWAP, un framework di penalizzazione adattiva passo-passo che riduce la lunghezza del ragionamento del 64,3% migliorando al contempo l'accuratezza del 5,7% rispetto al modello base, ottimizzando l'efficienza computazionale durante l'apprendimento per rinforzo.