11226 articoli
Il paper propone LAPACE, un nuovo framework generativo basato su un VAE a miscela gaussiana condizionata all'etichetta che sintetizza percorsi di spiegazioni controfattuali robuste, diversificate e plausibili, garantendo allo stesso tempo l'incorporazione di vincoli di azionabilità.
Il paper presenta CLEAR-IR, un nuovo approccio basato su un'architettura Deep Multi-scale Aware Overcomplete che ricostruisce immagini a infrarossi pulite da segnali disturbati da emettitori attivi, migliorando la qualità visiva e abilitando compiti robotici complessi in condizioni di scarsa illuminazione senza bisogno di illuminazione a bordo.
Il paper introduce FLOP, un algoritmo di scoperta causale basato su punteggi che, ottimizzando la selezione dei genitori e gli aggiornamenti iterativi, rende fattibile la ricerca discreta su grafi per ottenere strutture altamente accurate e vicine all'ottimo globale.
Il paper presenta CMT-Benchmark, un dataset di 50 problemi di teoria della materia condensata verificati da esperti, che dimostra come i modelli linguistici attuali falliscano nel risolvere compiti di ricerca avanzata, evidenziando la necessità di migliorare le capacità di ragionamento fisico dell'IA.
Questo lavoro estende un framework di selezione delle caratteristiche basato su intelligenza generativa, introducendo strategie di fusione della conoscenza privacy-preserving e di ponderazione consapevole del campione per gestire efficacemente scenari di apprendimento federato con dati eterogenei, sbilanciati e sensibili.
Il paper introduce il Carré du champ flow matching (CDC-FM), un metodo che migliora il compromesso tra qualità del campione e generalizzazione nei modelli generativi sostituendo il rumore isotropo standard con un rumore gaussiano anisotropo sensibile alla geometria locale dei dati, dimostrando risultati superiori in scenari con dati scarsi o distribuzioni non uniformi.
Il paper propone un metodo ibrido "Tensor-EM" che combina stime iniziali garantite da metodi tensoriali con aggiornamenti EM per apprendere in modo robusto e affidabile miscele di sistemi dinamici lineari, dimostrando la sua efficacia nell'analisi di dati neurali complessi.
Questo lavoro dimostra che gli operatori appresi tramite machine learning non riescono a effettuare inferenza "zero-shot" a risoluzioni diverse da quelle di addestramento a causa di aliasing e fragilità, proponendo invece un protocollo di addestramento multi-risoluzione efficiente per garantire una generalizzazione robusta.
Il paper propone ToSFiT, un metodo scalabile di campionamento di Thompson che sfrutta il fine-tuning incrementale di modelli linguistici di grandi dimensioni per ottimizzare spazi discreti complessi senza richiedere la massimizzazione di funzioni di acquisizione, ottenendo così efficienza sia campionaria che computazionale in diversi domini applicativi.
Il paper propone una rete neurale Hopfield strutturata a valori quaternionici con regole di apprendimento supervisionato basate su proiezione periodica, garantendo stabilità asintotica, consistenza algebrica e traiettorie lisce ideali per applicazioni di controllo e pianificazione di percorsi robotici.
Questo articolo propone un'estensione basata sull'inferenza variazionale per l'assimilazione dei dati, che modella lo stato previsto come distribuzione gaussiana multivariata per ottenere previsioni perfettamente calibrate e migliorare l'efficacia delle finestre di assimilazione, come dimostrato sulla dinamica caotica di Lorenz-96.
Questo articolo propone un quadro unificato per l'apprendimento decentralizzato basato sulla fattorizzazione di matrici, che permette di ottenere stime di privacy più precise e introduce l'algoritmo MAFALDA-SGD per migliorare il compromesso tra privacy e utilità rispetto ai metodi esistenti.
Il paper presenta FAPO, un metodo di ottimizzazione della politica che, grazie a un modello di ricompensa generativo, penalizza dinamicamente i rollout con ragionamenti difettosi ma corretti nel risultato, permettendo ai modelli linguistici di sfruttare inizialmente queste scorciatoie per guadagni rapidi per poi affinare gradualmente la loro affidabilità logica senza aumentare il budget di token.
Il paper propone Supervised Reinforcement Learning (SRL), un framework che combina l'imitazione passo-passo di traiettorie esperte con segnali di ricompensa graduali per superare i limiti di SFT e RLVR nei modelli di piccole dimensioni, consentendo loro di apprendere efficacemente compiti complessi di ragionamento e ingegneria del software.
Il paper propone il "contrastive weight steering", un metodo post-addestramento che modifica i parametri dei modelli linguistici attraverso operazioni aritmetiche sui pesi per isolare e controllare direzioni comportamentali specifiche, permettendo di mitigare fenomeni come la sycophancy o di rilevare misallineamenti emergenti con una generalizzazione superiore rispetto alle tecniche di steering basate sulle attivazioni.
Il paper dimostra che l'uso di reti neurali equivarianti basate sui tensori di struttura di Kassinos per le chiusure RANS valida l'ipotesi secondo cui una descrizione statistica più ricca migliora drasticamente l'accuratezza del termine di correlazione pressione-deformazione rapido, offrendo un'alternativa fisicamente coerente ai modelli classici.
Il paper presenta NuBench, un benchmark open-source basato su 130 milioni di simulazioni di interazioni di neutrini in sei diverse geometrie di rivelatori, progettato per valutare e confrontare metodi di ricostruzione degli eventi basati sul deep learning nei telescopi per neutrini.
Il paper introduce DiffuMamba, un modello linguistico di diffusione basato su un'architettura Mamba bidirezionale che, pur mantenendo prestazioni competitive, supera significativamente l'efficienza di inferenza dei modelli Transformer tradizionali grazie a una complessità lineare e a un throughput fino a 8,2 volte superiore.
Questo lavoro fornisce garanzie di cancellazione certificata per le versioni stocastiche degli algoritmi D2D e R2D su funzioni di perdita non convesse, convesse e fortemente convesse, dimostrando che D2D offre garanzie più strette per le funzioni fortemente convesse mentre R2D è più adatto per quelle convesse e non convesse.
Questo lavoro propone un framework di campionamento non IID per i modelli di Flow Matching che combina una regolarizzazione basata sul punteggio per garantire diversità e qualità dei campioni con una tecnica di ponderazione per importanza per ottenere stime non distorte delle aspettative.