11106 articoli
Questo studio introduce un quadro teorico basato sulla teoria della distorsione del tasso per analizzare i compromessi tra accuratezza e robustezza nella visione artificiale e biologica, rivelando che, sebbene entrambi i sistemi seguano principi di compressione, gli esseri umani mostrano trade-off più flessibili rispetto alle reti neurali profonde, che operano in regimi più rigidi e fragili.
Questo articolo propone un approccio "Jump Like A Squirrel" che ottimizza l'ordine di esecuzione dei singoli passi negli alberi decisionali per trasformare le foreste casuali in algoritmi "anytime", permettendo di ottenere previsioni di qualità crescente anche con tempo di esecuzione limitato, con la "Backward Squirrel Order" che si dimostra una soluzione euristica quasi ottimale.
Il paper propone un framework di apprendimento automatico basato su Generative Flow Networks che, integrando un buffer di esperienza, una politica esplorativa uniforme e un mascheramento delle azioni basato sulla fisica, supera i limiti computazionali del ray tracing tradizionale per la modellazione della propagazione radio, garantendo velocità di calcolo fino a 1000 volte superiori mantenendo alta accuratezza.
Questo lavoro presenta un metodo di reti neurali randomizzate (RaNN) per risolvere efficientemente equazioni differenziali parziali su superfici statiche ed evolutive, evitando la complessità del rimeshing e garantendo alta precisione attraverso una formulazione a parametri fissi risolta con problemi ai minimi quadrati.
Il paper propone CoCP, un framework di ottimizzazione congiunta che apprende intervalli di previsione adattivi e più compatti rispetto ai metodi standard, garantendo al contempo la validità marginale finita e avvicinandosi asintoticamente all'intervallo condizionale di lunghezza minima.
Questo lavoro presenta un framework di auto-modellazione visiva interpretabile basato su curve di Bézier e equazioni differenziali ordinarie neurali che permette ai robot continui di controllare la propria geometria e il posizionamento dell'effettore finale in modo consapevole dell'ambiente, superando le limitazioni dei metodi end-to-end tradizionali.
Il paper propone il CHLU (Causal Hamiltonian Learning Unit), un nuovo primitivo di apprendimento profondo basato su una struttura hamiltoniana relativistica e integrazione simplettica, progettato per risolvere il compromesso tra stabilità e memoria nei modelli temporali conservando il volume dello spazio delle fasi e dimostrando capacità generative su MNIST.
Il paper presenta D3LM, un modello linguistico a diffusione discreto che unifica l'apprendimento bidirezionale e la generazione del DNA, superando le limitazioni dei modelli autoregressivi e ottenendo prestazioni superiori sia nella comprensione che nella generazione di elementi regolatori.
Questo articolo presenta un nuovo framework basato sulle Generative Flow Networks (GFlowNets) per trovare i percorsi più brevi in grafi non aciclici, dimostrando teoricamente che la minimizzazione del flusso totale garantisce il tracciamento di percorsi ottimali e validando sperimentalmente l'efficacia del metodo su ambienti di permutazione e sul cubo di Rubik.
Il paper propone il PH-VAE, un nuovo modello generativo che integra le distribuzioni di tipo fase nel decoder per catturare in modo flessibile e adattivo le code pesanti e le dipendenze multivariate nei dati reali, superando i limiti degli approcci VAE tradizionali basati su distribuzioni parametriche fisse.
Questo studio presenta un ampio benchmark che dimostra come modelli ibridi, in particolare la combinazione di Variable Selection Networks e LSTM, superino le architetture lineari e generiche nel massimizzare il rapporto di Sharpe e nella gestione del rischio su un dataset di futures giornalieri dal 2010 al 2025.
Il paper propone il metodo DenoiseBid, un approccio bayesiano che corregge le stime incerte di CTR e CVR nei sistemi di autobidding per e-commerce, sostituendo i valori rumorosi con distribuzioni recuperate per migliorare l'efficienza delle aste, come dimostrato da esperimenti su dataset sintetici e reali.
Lo studio rivela che l'affidabilità dei grandi modelli linguistici nelle scienze dei materiali dipende criticamente dal tipo di output richiesto, mostrando come il fine-tuning migliori la coerenza per i compiti simbolici ma non per quelli numerici, e che l'estrazione diretta degli embedding intermedi può superare i limiti delle risposte testuali, pur evidenziando significative variazioni di prestazioni nel tempo che minacciano la riproducibilità scientifica.
Il paper introduce CPS, un approccio privo di gradienti per risolvere problemi inversi di diffusione che riformula il compito come ottimizzazione vincolata per cercare attivamente particelle ottimali senza richiedere la conoscenza completa del processo di osservazione.
Questo lavoro risolve un problema aperto proponendo il primo algoritmo che integra l'impulso (momentum) nell'ottimizzazione stocastica a passaggio singolo per la predizione lineare generalizzata, ottenendo un'accelerazione duale e dimostrando la sua superiorità rispetto alla riduzione della varianza.
Il paper introduce CoVAE, una nuova architettura generativa che cattura le correlazioni tra le modalità nei dati multimodali, superando i limiti delle strategie di fusione nello spazio latente tradizionali per garantire una ricostruzione incrociata accurata e una quantificazione efficace dell'incertezza.
Il paper introduce Locus, un metodo senza distribuzione che genera un punteggio interpretabile per quantificare il rischio di perdita su base per-input, permettendo di ordinare le previsioni e ridurre la frequenza di errori costosi attraverso una calibrazione semplice e garantita.
Questo studio stabilisce la convergenza quantitativa dei flussi gradiente di Wasserstein per le discrepanze di media kernel, fornendo nuovi risultati di esistenza, unicità e tassi di convergenza (globali esponenziali per e locali polinomiali per ) che si applicano al training di reti neurali a strato singolo e a sistemi di particelle interagenti, risolvendo questioni aperte sulla convergenza non quantitativa in questi contesti.
Questo articolo propone un approccio intermedio per l'inferenza differenzialmente privata nelle famiglie esponenziali che rilascia statistiche sufficienti rumorose per consentire un'analisi statistica calibrata e una generazione di dati sintetici con quantificazione rigorosa dell'incertezza.
Questo lavoro dimostra che le reti neurali grafiche (GNN) offrono un'architettura scalabile e simmetrica per simulare la dinamica adiabatrica di Hamiltoniani reticolari, consentendo tramite l'addestramento su dati di diagonalizzazione esatta simulazioni su larga scala che rivelano una crescita anomala dei domini di ordine a onde di densità di carica.