11021 articoli
Il paper propone un nuovo framework di valutazione per l'apprendimento automatico basato sull'indipendenza statistica dei sottoinsiemi, che utilizza il criterio di indipendenza di Hilbert-Schmidt per verificare l'efficacia dell'oblio senza richiedere il riaddestramento di modelli di riferimento o l'accesso a etichette di supervisione.
Questo studio presenta un metodo di apprendimento ispirato alla biologia che, emulando la plasticità strutturale del cervello, ottimizza l'efficienza energetica e riduce la ridondanza nei modelli di classificazione MNIST superando la retropropagazione tradizionale.
Il paper introduce LangGap, un benchmark progettato per rivelare e misurare l'incapacità dei modelli Vision-Language-Action di comprendere istruzioni linguistiche diverse, dimostrando che l'attuale capacità di apprendimento è insufficiente per gestire la diversità semantica nonostante i miglioramenti ottenuti tramite augmentation dei dati.
Il paper propone HealHGNN, una nuova rete neurale su ipergrafi che utilizza la geometria Riemanniana e un meccanismo di scambio termico adattivo per superare i limiti delle tradizionali reti basate sull'omofilia, ottenendo prestazioni all'avanguardia sia su grafi omofili che eterofili.
Il paper propone PGOS, un framework che utilizza un agente di apprendimento per rinforzo per guidare la sintesi adattiva di grafici OOD nello spazio latente, migliorando significativamente la robustezza e le prestazioni dei rilevatori di distribuzione fuori dal normale rispetto ai metodi esistenti basati su euristiche statiche.
Il paper propone GraphGlue, un framework fondato sulla geometria riemanniana che unifica dataset di grafi eterogenei in un manifold coerente attraverso un nuovo concetto teorico di "incollaggio" neurale, migliorando così il pre-addestramento e il trasferimento di conoscenza per i modelli di base sui grafi.
Il paper propone TATO, un framework centrato sui dati che ottimizza una pipeline di trasformazioni adattive per adattare modelli fondazione temporali pre-addestrati a diversi domini senza ri-addestramento, migliorando significativamente l'accuratezza delle previsioni e riducendo l'errore quadratico medio fino al 65,4% con un'efficienza computazionale elevata.
Il paper propone QuaSID, un framework end-to-end che risolve il problema delle collisioni negli ID semantici per la raccomandazione su larga scala distinguendo tra conflitti reali e ridondanze innocue attraverso meccanismi di repulsione geometrica e mascheramento selettivo, ottenendo miglioramenti significativi sia su benchmark pubblici che in test online su Kuaishou.
Questo articolo presenta un paradigma di previsione retrodittiva basato su un CVAE inverso e un flusso normalizzante, dimostrando attraverso una validazione rigorosa su dati sintetici e meteorologici che tale approccio sfrutta l'asimmetria temporale statistica per ottenere previsioni competitive o superiori rispetto ai metodi tradizionali quando la dinamica del sistema è irreversibile.
Il paper propone RAIE, un framework plug-in che utilizza l'adattamento a basso rango (LoRA) e l'editing incrementale basato su regioni semantiche per aggiornare in modo efficiente i modelli linguistici nei sistemi di raccomandazione, risolvendo il problema della deriva delle preferenze e dell'oblio catastrofico senza richiedere un riaddestramento globale.
Questo lavoro propone un metodo innovativo per la potatura dei dataset 3D che affronta le sfide poste dalle distribuzioni a coda lunga, formulando il problema come un'approssimazione del rischio atteso e introducendo una selezione di sottoinsiemi consapevole della rappresentazione e una supervisione invariante rispetto alle prior per migliorare simultaneamente l'accuratezza complessiva e quella media.
Questo lavoro propone il Polynomial Mixer (PoM), un nuovo meccanismo di mixing dei token con complessità lineare che sostituisce l'attenzione self-attention nei modelli speech-to-text auto-supervisionati, offrendo un miglior compromesso tra efficienza computazionale e prestazioni nel riconoscimento vocale.
Questo studio empirico valuta l'apprendimento locale biologicamente motivato per il riconoscimento di cifre scritte a mano, confrontando un proxy competitivo ispirato all'STDP con un benchmark ibrido basato su tassi, dimostrando che la normalizzazione e la modellazione della ricompensa sono fattori determinanti per le prestazioni, sebbene i modelli locali raggiungano ancora accuracies inferiori rispetto ai baselines classici.
Il paper presenta IU, un nuovo attacco backdoor universale impercettibile che utilizza le reti neurali convoluzionali su grafi per generare perturbazioni specifiche per classe, ottenendo un alto tasso di successo con un'infezione minima e mantenendo l'efficacia contro le difese esistenti.
Il paper propone "Frozen Policy Iteration", un algoritmo di apprendimento per rinforzo online computazionalmente efficiente che, sotto l'assunzione di realizzabilità lineare delle funzioni Q per dinamiche deterministiche, raggiunge un limite di rimpianto ottimale evitando la necessità di un simulatore attraverso l'uso strategico di dati ad alta confidenza e il congelamento delle policy per gli stati già esplorati.
Il paper presenta MARS, un metodo che armonizza il fine-tuning dei modelli multimodali (MLLM) mediante una ricerca adattiva dei rank LoRA basata su leggi di scala duali per bilanciare le dinamiche di training e massimizzare le prestazioni senza ricorrere a metodi euristici manuali.
Il paper propone MO-MIX, un metodo basato sull'apprendimento per rinforzo profondo che utilizza il framework CTDE e una rete di mixing parallela per risolvere problemi di decisione cooperativa multi-agente multi-obiettivo, generando un insieme di soluzioni Pareto ottimali con prestazioni superiori e costi computazionali ridotti rispetto ai metodi esistenti.
Questo studio propone un framework basato su un autoencoder variazionale per sintetizzare dati di spettroscopia a risonanza magnetica in vivo, dimostrando che l'arricchimento dei dataset con dati sintetici migliora la qualità del segnale in applicazioni specifiche come la spettroscopia GABA-edited, pur evidenziando limitazioni nella rappresentazione del rumore stocastico e nella quantificazione assoluta dei metaboliti.
Questo studio avverte che, sebbene l'ottimizzatore Muon offra una velocità di addestramento superiore rispetto ad Adam, la rimozione del "pregiudizio di semplicità" naturalmente preservato da metodi come SGD può portare a modelli più inclini a memorizzare caratteristiche spurie e meno capaci di cogliere strutture sottostanti comuni.
Il paper presenta ResGene-T, un modello di deep learning basato su tensori che supera le limitazioni delle rappresentazioni 2D e raggiunge prestazioni superiori rispetto a sette metodi esistenti nella previsione genomica per diverse specie coltivate.