11005 articoli
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.
Il paper introduce l'addestramento con surrogati polinomiali (PST), un metodo scalabile che supera le limitazioni computazionali delle reti logiche differenziabili ternarie rappresentando i neuroni come polinomi, consentendo così un'addestramento più rapido, la scoperta di porte logiche funzionalmente diversificate e una gestione ottimale dell'incertezza tramite lo stato "UNKNOWN".
Questo studio analizza quando e perché il prompting a catena di pensiero (CoT) migliora il ragionamento modellando il processo come una catena di Markov, identificando l'allineamento delle transizioni tra i passaggi come il fattore determinante che riduce la complessità del campione solo quando le transizioni sono coerenti, e validando queste teorie attraverso benchmark sintetici.
Il paper presenta un metodo ottimizzato per le foreste casuali oblique sparse che, combinando lo switching dinamico tra istogrammi e ordinamento con l'uso di istruzioni vettoriali e implementazioni GPU, accelera l'addestramento da 1,5 a 2,5 volte rispetto alle soluzioni esistenti mantenendo garanzie di incertezza e controllo degli errori.
Questo lavoro analizza le sfide fondamentali nel conciliare la valutazione dei dati con la privacy differenziale, identificando le cause dell'inefficacia delle attuali metodologie e proponendo principi di progettazione per preservare l'utilità della valutazione sotto rigorosi vincoli di privacy.
Il paper presenta un sistema di sensing acustico che integra microfoni e altoparlanti all'interno della cavità di una pinza universale a jamming, permettendo di rilevare dimensioni, orientamento e materiali degli oggetti con alta precisione senza comprometterne la conformità meccanica.
Il paper presenta StethoLM, il primo modello linguistico audio specializzato nell'auscultazione cardiopolmonare, che integra l'elaborazione del suono con un modello linguistico medico per eseguire compiti clinici complessi e guidati da istruzioni su un ampio benchmark di dati sintetizzati.
Il paper propone "token pools", un'astrazione di controllo che gestisce la capacità di inferenza AI in ambienti multi-tenant tramite unità native (token, cache KV, concorrenza) per garantire prestazioni e utilizzo delle risorse superiori rispetto ai tradizionali limiti di velocità, permettendo allo stesso tempo un'allocazione dinamica e equa del carico.
Il paper propone KROM, un framework di ordinamento ridotto basato su kernel che risolve rapidamente equazioni differenziali alle derivate parziali non lineari formulando la soluzione come un problema di recupero in uno spazio RKHS e accelerando i calcoli mediante sparsificazione della matrice di precisione, utilizzando kernel empirici derivati da librerie di snapshot per adattarsi alla struttura specifica del problema e superare le prestazioni dei kernel stazionari tradizionali.
Questo studio propone un framework agnostico per l'apprendimento continuo nei sistemi di rilevamento delle intrusioni IoT basato su RPL, dimostrando attraverso un benchmark su 48 domini che gli approcci basati sul replay e sulla Sinaptic Intelligence mitigano efficacemente l'oblio catastrofico mantenendo un equilibrio tra plasticità, stabilità ed efficienza nelle risorse.
Questo studio presenta un framework di deep learning basato su segmentazione U-Net e classificazione OOD-aware per rilevare la freschezza della carne da immagini RGB, dimostrando che EfficientNet-B0 raggiunge il 98,10% di accuratezza e valutando le prestazioni di latenza su dispositivi mobili tramite TensorFlow Lite.
Questo lavoro dimostra che un modello di grandi dimensioni addestrato su dati sintetici semplici, ma scalato strategicamente in termini di capacità, diversità dei dati e strategia di formazione, riesce a generalizzare con successo su complesse strutture geologiche reali, colmando il divario di generalizzazione nell'inversione della forma d'onda completa (FWI).
Questo lavoro propone un metodo di campionamento bayesiano nello spazio duale che integra l'ADMM con la discesa del gradiente variazionale di Stein per gestire vincoli fisici rigidi nei problemi inversi, permettendo la quantificazione dell'incertezza in applicazioni come l'inversione della forma d'onda completa.
Questo articolo propone un approccio di Meta-RL basato su una "geometria ereditaria" indotta dalle simmetrie del sistema, trasformando il problema della generalizzazione in una scoperta di simmetrie tramite gruppi di Lie per ottenere una generalizzazione non locale più efficiente rispetto ai metodi tradizionali basati sulla smoothness.
Il paper presenta TENG-BC, un risolutore ad alta precisione per equazioni differenziali alle derivate parziali dipendenti dal tempo che utilizza un gradiente naturale evolutivo per gestire in modo unificato e stabile condizioni al contorno generali, superando le limitazioni di accumulo di errore e di penalizzazione tipiche dei metodi neurali convenzionali.
Il documento presenta USE (Stima della Struttura di Incertezza), un metodo leggero e indipendente dall'algoritmo che migliora l'apprendimento semi-supervisionato filtrando i dati non etichettati di bassa qualità o fuori distribuzione tramite l'analisi statistica dell'entropia, garantendo così maggiore robustezza e accuratezza in ambienti reali.
Questo articolo presenta due modelli di ottimizzazione quantistica per la verifica robusta delle reti neurali, che offrono una formulazione esatta per le attivazioni piecewise-linear e un'approssimazione asintoticamente completa per quelle generali, integrando tecniche ibride quantistiche-classiche per garantire certificazioni precise in contesti critici.
Il paper propone la "fisica-consapevolezza dell'apprendibilità" (PL), un quadro che risolve le fragilità logiche e le indipendenze insiemistiche (come nel caso EMX) definendo l'apprendibilità rispetto a protocolli fisici ammissibili, trasformando così problemi continui in questioni discreti e decidibili attraverso la quantificazione delle risorse operative come precisione finita e copie quantistiche.
Questo studio dimostra che, per i risolutori neurali di routing veicolare, scalare la profondità del decoder è più efficace che scalare la sua larghezza, fornendo principi di progettazione per un'allocazione efficiente delle risorse computazionali.