11158 articoli
Questo lavoro analizza la struttura geometrica delle reti neurali ReLU sottoparametrizzate, proponendo un metodo costruttivo per la minimizzazione del costo che fornisce un limite superiore e identifica minimi locali esatti senza ricorrere alla discesa del gradiente.
Il paper propone DRL-ORA, un nuovo framework di apprendimento per rinforzo distributivo che unifica le incertezze epistemiche e aleatorie e adatta dinamicamente i livelli di rischio online tramite minimizzazione della variazione totale, superando le prestazioni dei metodi esistenti in compiti critici per la sicurezza.
Questo paper propone il principio "Dispatcher/Esecutore" per l'apprendimento per rinforzo multi-compito, sostenendo che la partizione strutturale del controllore e la comunicazione regolarizzata migliorino la generalizzazione e l'efficienza dei dati, offrendo un approccio complementare alla semplice scalabilità dei modelli.
Questo articolo propone HALO, un paradigma di allineamento basato sull'analisi ormetica dei processi antagonisti comportamentali, per risolvere il problema del caricamento dei valori e prevenire scenari catastrofici come quello del "massimizzatore di graffette" regolando le frequenze delle azioni dell'IA in base alla loro utilità marginale decrescente.
Il paper affronta il problema dell'iper-ottimizzazione della ricompensa nei modelli di diffusione identificando i bias induttivi temporali e di primacy come cause principali, proponendo quindi l'algoritmo TDPO-R che sfrutta il bias induttivo temporale e resetta i neuroni attivi del critic per mitigare tale fenomeno e migliorare l'allineamento con le preferenze umane.
Il paper propone un nuovo metodo di embedding spettrale basato su kernel e operatori integrali "duo-landmark" per integrare dataset ad alta dimensionalità e rumorosi, dimostrando teoricamente la sua consistenza nel recuperare strutture latenti condivise e superiorità empirica rispetto alle tecniche esistenti in ambiti come la genomica a cellula singola.
Questo studio introduce nuove misure di informazione spettrale-correlata per quantificare l'efficienza di codifica delle popolazioni neuronali, applicandole a dati biologici per rivelare differenze nell'efficienza di codifica e dimostrandone l'efficacia nell'addestramento di reti neurali ricorrenti tramite apprendimento auto-supervisionato, favorendo così l'emergere di cellule di luogo e di direzione della testa.
Questo articolo presenta un metodo innovativo per valutare le prestazioni e la generalizzabilità di nuovi modelli di intelligenza artificiale calcolando le correlazioni neuronali tra reti diverse, offrendo un approccio leggero per la validazione esterna e l'efficienza della memoria.
Il paper introduce COLA, un framework post-hoc che ottimizza le spiegazioni controfattuali sparse calcolando un accoppiamento tramite trasporto ottimo e utilizzando attribuzioni Shapley per ridurre drasticamente il numero di modifiche necessarie mantenendo l'effetto target.
Questo articolo propone il "Dyadic Block Sketching", un nuovo approccio multi-scala per i banditi lineari che supera i limiti delle tecniche di sketching tradizionali adattando dinamicamente la dimensione dello sketch per garantire regret sublineare senza richiedere conoscenze preliminari sulle proprietà della matrice.
Questo lavoro propone il primo metodo per l'oblio delle etichette nel Vertical Federated Learning, utilizzando un meccanismo di mixup a livello di rappresentazione per generare embedding sintetici che consentono la rimozione efficace delle informazioni sensibili senza compromettere le prestazioni sui dati rimanenti.
Questo lavoro dimostra che è possibile ottenere una scalabilità polinomiale nell'approssimazione di operatori neurali per famiglie strutturate di equazioni differenziali stocastiche retroattive non markoviane, superando i limiti esponenziali tipici grazie a un'architettura che incorpora bias induttivi specifici derivati dalla funzione di Green e dall'esponenziale di Doléans-Dade.
Il paper propone SDPO, un nuovo framework di apprendimento per rinforzo che allinea i modelli di diffusione a pochi passi agli obiettivi specifici tramite un campionamento a doppio stato e un'apprendimento della differenza di ricompensa densa, superando così le limitazioni dei metodi RL esistenti in termini di qualità del campione e stabilità dell'ottimizzazione.
Questo studio presenta un modello di diffusione ricorrente a super-risoluzione (SRDM) che, superando i limiti temporali dei dati climatici tradizionali, genera previsioni ad alta risoluzione per quantificare con precisione l'impatto dei cambiamenti climatici sulla generazione di energia eolica e fotovoltaica in scenari futuri.
Questo lavoro propone G-NLL, una misura di incertezza teoricamente fondata basata sulla sola sequenza generata tramite decoding greedy, che supera i metodi esistenti più costosi dal punto di vista computazionale mantenendo prestazioni all'avanguardia.
Questo articolo analizza la complessità campionaria dell'apprendimento per rinforzo online in sistemi dinamici non lineari non episodici a spazi continui, proponendo un algoritmo che garantisce limiti di rimorso polinomiali per diverse classi di modelli, inclusi quelli parametrizzati da reti neurali.
Il lavoro presenta InfoBridge, un metodo che sfrutta i modelli di bridge diffusion per stimare l'informazione mutua tra variabili casuali, offrendo un stimatore non distorto che supera le limitazioni degli approcci convenzionali su dati complessi e reali.
Il paper presenta SIGS, un framework neuro-simbolico che automatizza la ricerca di soluzioni analitiche per equazioni differenziali, inclusi sistemi di PDE non lineari accoppiate, unendo grammatiche formali e ottimizzazione numerica per ottenere risultati con precisione ed efficienza superiori rispetto ai metodi esistenti.
Il paper presenta LIFT, un metodo basato su trasformatori che genera previsioni a 24 ore e stime di incertezza per i parametri ionosferici locali (foF2, hmF2, TEC) integrando variabili esogene e dati climatici, dimostrando una capacità di generalizzazione superiore rispetto al modello IRI.
Il paper presenta FinBloom, un modello linguistico di grandi dimensioni (LLM) da 7 miliardi di parametri basato su Bloom e addestrato su dati finanziari in tempo reale, progettato per agire come un agente finanziario in grado di recuperare e integrare automaticamente informazioni contestuali aggiornate per supportare decisioni e operazioni di trading dinamiche.