11076 articoli
Il paper presenta MOSAIC, una piattaforma open-source che unifica ambienti di apprendimento per agenti multipli permettendo il confronto equo e riproducibile tra paradigmi eterogenei come RL, LLM, VLM e decisori umani tramite un protocollo IPC isolato e un'interfaccia unificata.
Questo articolo propone S2O, un nuovo approccio che migliora l'addestramento avversariale trattando i pesi delle reti neurali come variabili casuali e ottimizzando le loro statistiche del secondo ordine per rilassare l'ipotesi di indipendenza nei framework PAC-Bayesiani, ottenendo così un limite di generalizzazione robusta più stretto e prestazioni superiori.
Il paper presenta GlassMol, un modello di concetto interpretabile che supera i compromessi tra accuratezza e trasparenza nella previsione delle proprietà molecolari colmando le lacune di rilevanza, annotazione e capacità attraverso una selezione automatizzata dei concetti guidata da LLM.
Questo studio utilizza un modello XGBoost e l'interpretazione SHAP per dimostrare che, sebbene un maggior numero di celle delle batterie migliori inizialmente le prestazioni di accelerazione dei veicoli elettrici, è necessario un equilibrio tra complessità del sistema e configurazione architettonica per ottimizzare le prestazioni complessive.
Il paper introduce la "bipredicibilità" (P) e il suo monitor "Information Digital Twin" (IDT) come una misura informativa in tempo reale e provatamente limitata per rilevare precocemente il degrado dell'interazione agente-ambiente in sistemi RL, superando i limiti delle metriche basate sulla ricompensa.
Il paper propone l'Unlearning con Smussatura dell'Attenzione (ASU), un framework che risolve il compromesso tra oblio e utilità nei modelli linguistici appiattendo le distribuzioni di attenzione per cancellare in modo stabile le informazioni memorizzate senza compromettere la coerenza delle risposte.
Il paper presenta JailNewsBench, il primo benchmark multilingue e regionale su larga scala per valutare la resilienza dei modelli linguistici di grandi dimensioni (LLM) contro la generazione di notizie false indotta da attacchi jailbreak, rivelando significativi squilibri nelle difese di sicurezza tra diverse lingue e aree geografiche.
Questo articolo presenta PPO-LTL, un framework che integra vincoli di Logica Temporale Lineare (LTL) nell'algoritmo Proximal Policy Optimization per garantire l'apprendimento per rinforzo sicuro, traducendo le violazioni in segnali di penalità tramite automi di Büchi e ottimizzando la politica con uno schema Lagrangiano.
Questo lavoro analizza teoricamente e verifica sperimentalmente come la qualità e la scala dei dati influenzino diversamente l'addestramento pre- e post-training dei modelli linguistici, dimostrando che il fine-tuning supervisionato beneficia di piccoli set di esempi difficili mentre il reinforcement learning richiede grandi volumi di dati meno complessi.
Lo studio rivela che i classificatori di sicurezza addestrati su embedding fissi subiscono un collasso catastrofico a causa della deriva delle rappresentazioni nei modelli di ragionamento istruiti, generando fallimenti silenziosi ad alta confidenza e rendendo paradossalmente più difficile proteggere i sistemi allineati rispetto a quelli di base.
Il paper propone due nuovi metodi di regolarizzazione non convessa, LogLOP-l2/l1 e AdaLOP-l1/l2, basati su formulazioni variazionali delle penalità log-sum e MCP per il recupero di segnali blocchi-sparsi con partizioni sconosciute, sviluppando algoritmi ADMM efficienti che superano gli approcci esistenti in termini di accuratezza e compatibilità con diverse funzioni di fedeltà ai dati.
Questo lavoro propone un quadro unificato di ottimizzazione prossimale, accelerabile su GPU e a convergenza lineare, per certificare l'ottimalità nei modelli lineari generalizzati sparsi, superando i limiti computazionali dei metodi esistenti attraverso nuove routine log-lineari e uno schema di riavvio basato sul gap di dualità.
Questo articolo esamina i progressi compiuti tra il 2018 e il 2025 nelle garanzie PAC per l'apprendimento per rinforzo, proponendo il nuovo framework CSO (Copertura-Struttura-Obiettivo) come strumento interpretativo per analizzare la complessità dei campioni, classificare i risultati teorici e fornire strumenti pratici per gli utenti.
Lo studio dimostra che, per la previsione del movimento pedonale in contesti ad alta frequenza, un modello ResLogit che apprende le correlazioni spaziali tramite correzioni residue supera le strutture GEV tradizionali, offrendo un migliore adattamento ai dati e un'interpretazione coerente degli errori.
Il paper introduce "Truth as a Trajectory" (TaT), un metodo che analizza le variazioni geometriche degli stati nascosti tra i livelli dei modelli linguistici invece delle attivazioni statiche, permettendo di distinguere il ragionamento valido dai comportamenti spurii e superando i limiti dei metodi di spiegabilità tradizionali.
Il paper presenta SWE-Adept, un framework basato su agenti LLM che migliora l'analisi e la risoluzione strutturata dei problemi nei repository di codice attraverso un agente di localizzazione con ricerca in profondità guidata e un agente di risoluzione dotato di pianificazione adattiva e controllo versione Git, ottenendo risultati superiori su SWE-Bench.
Il paper presenta MetaState, un'architettura di memoria ricorrente leggera che risolve il problema delle "Isole di Informazione" nei modelli di diffusione linguistica discreta, migliorando la coerenza e la qualità della generazione mantenendo il modello di base congelato.
Il paper introduce ICPO, un metodo che permette ai modelli linguistici di ottimizzare le proprie risposte durante l'inferenza senza modificare i parametri, e propone l'algoritmo ME-ICPO che, supportato da una dimostrazione teorica, raggiunge prestazioni d'eccellenza nel ragionamento matematico garantendo robustezza ed efficienza nei costi.
Questo lavoro introduce un quadro adattivo basato sul principio di discrepanza per la selezione automatica degli iperparametri in modelli di momenti condizionali mal posti, consentendo stime e inferenze ottimali senza richiedere la conoscenza preventiva della regolarità della funzione di disturbo.
Questo lavoro propone un quadro teorico e pratico per stimare gli effetti causali specifici sugli esseri umani in sistemi interagenti con l'IA, dove né i tipi di unità né la rete di interazione sono osservabili, sfruttando una conoscenza a priori della composizione della popolazione e un framework di passaggio di messaggi causali per identificare gli effetti attraverso subpopolazioni aggregate.