11013 articoli
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.
Il paper introduce ROKA, un metodo di machine unlearning basato sul "Neural Healing" che, modellando le reti neurali come sistemi di conoscenza, garantisce la rimozione sicura dei dati senza danneggiare le conoscenze correlate, prevenendo così nuovi attacchi di inferenza e backdoor.
Questo articolo propone un'architettura neurosimbolica che integra un modello BERT ottimizzato con le reti tensoriali logiche per rilevare in modo spiegabile e ad alte prestazioni le minacce persistenti avanzate (APT) nelle reti IoT wireless, superando le sfide dello squilibrio estremo delle classi e della mancanza di interpretabilità dei metodi tradizionali.
Il paper propone RapTB, un nuovo obiettivo di training per GFlowNet che risolve il collasso dei moduli e il bias di lunghezza assegnando crediti densi ai prefissi, e SubM, una strategia di replay submodulare che garantisce diversità, migliorando così la generazione di molecole con LLM.
Questo articolo presenta PC-LLM, un framework che sfrutta modelli linguistici di grandi dimensioni pre-addestrati, arricchiti da un bias di attenzione informato dalla fisica, per ottimizzare il controllo della potenza nelle reti wireless con prestazioni superiori e una notevole capacità di generalizzazione rispetto ai metodi tradizionali.
Questo lavoro introduce FEWTRANS, un benchmark completo con un protocollo di valutazione rigoroso per il trasferimento few-shot, rivelando che la scelta del modello pre-addestrato è il fattore dominante e che il semplice fine-tuning completo spesso supera metodi più complessi grazie a micro-aggiustamenti distribuiti, mentre i modelli multimodali subiscono un crollo delle prestazioni in domini specializzati a causa della rarità linguistica.
Questo studio quantifica il rischio di manipolazione degli esiti elettorali statunitensi tramite esempi avversariali fisici, rivelando un divario tra gli attacchi più efficaci nel dominio digitale e quelli nel dominio fisico e fornendo un quadro probabilistico per determinare il numero di schede necessarie per ribaltare un'elezione.
Questo studio propone una rete neurale grafica spaziotemporale dinamica (DST-GNN) che integra segnali EEG per rilevare precocemente la dipendenza da pornografia negli adolescenti, ottenendo un miglioramento significativo delle prestazioni rispetto ai metodi convenzionali e identificando biomarcatori neurali specifici nelle regioni frontali e centrali.
Il paper propone HL-SMM, un nuovo modello di Support Matrix Machine basato sulla funzione di perdita di Heaviside e su vincoli di basso rango, che offre maggiore robustezza al rumore e accuratezza rispetto ai metodi esistenti grazie a un algoritmo di minimizzazione alternata prossimale con soluzioni in forma chiusa.
Il paper presenta ArtiFixer, un metodo a due stadi che utilizza un modello generativo bidirezionale addestrato con una strategia di mixing dell'opacità e successivamente distillato in un modello causale auto-regressivo per correggere gli artefatti e migliorare la ricostruzione 3D in aree non osservate, superando significativamente le prestazioni degli approcci esistenti.
Questo articolo propone ESENSC_rev2, un metodo di attribuzione delle caratteristiche alternativo a SHAP che, fondato sulla teoria dei giochi cooperativi e caratterizzato da un insieme di assiomi, offre un'approssimazione accurata con complessità computazionale polinomiale, rendendolo ideale per scenari di alta dimensionalità.