11269 articoli
Il lavoro presenta EAGLE, un framework iterativo di distillazione generalista-specialista che genera una politica unificata e robusta per il controllo del corpo intero di diversi robot umanoidi eterogenei, superando le limitazioni legate alle variazioni dinamiche e topologiche senza necessità di sintonizzare ricompense specifiche per ogni robot.
Il paper introduce "Erase at the Core" (EC), un framework agnostico al modello che risolve il problema della "dimenticanza superficiale" applicando l'apprendimento contrastivo e supervisionato a tutti i livelli della rete per garantire la cancellazione effettiva delle informazioni sia a livello di logit che di rappresentazioni interne.
Questo studio formula l'apprendimento di classificatori robusti in presenza di input perturbati e dati scelti avversarialmente come un problema di apprendimento online, introducendo una nuova dimensione che caratterizza i limiti di errore e rimpianto sia nei contesti realistici che agnostici, estendendosi anche a casi multiclasse e a scenari con perturbazioni incerte.
Il documento presenta il Pretrained Variational Bridge (PVB), un modello generativo che unifica l'addestramento su dati strutturali e di traiettoria per produrre simulazioni di dinamica molecolare efficienti e fedeli, superando i limiti computazionali delle tradizionali simulazioni MD.
Questo lavoro presenta una pipeline automatizzata e in black-box per rilevare i "bias non verbalizzati" nei modelli linguistici, identificando nuove distorsioni specifiche del compito (come la padronanza linguistica o la formalità) senza richiedere categorie predefinite, pur validando al contempo i pregiudizi noti.
Il paper propone SFCrP, un metodo di apprendimento per imitazione che combina un modello di previsione del flusso di scena con una politica condizionata per generalizzare efficacemente compiti complessi da poche dimostrazioni robotiche, integrando dati video umani per superare i limiti delle rappresentazioni basate sul flusso tradizionali.
Il paper presenta CAMEL, il primo modello linguistico per ECG in grado di prevedere eventi cardiaci futuri grazie a un encoder specializzato e un approccio di apprendimento curriculare, ottenendo prestazioni all'avanguardia su benchmark esistenti e su un nuovo dataset dedicato alla previsione di aritmie.
Il paper presenta SMAC, un metodo di apprendimento per rinforzo offline che regolarizza la funzione Q per allineare i gradienti della politica e della Q-funzione, permettendo un trasferimento fluido e senza cali di prestazioni verso algoritmi online come Soft Actor-Critic e TD3 su tutti i task D4LR testati.
Il paper propone un framework di regressione bayesiana sparsa che modella le interazioni tra i canali EEG per migliorare l'accuratezza, l'interpretabilità e il throughput dei sistemi BCI basati sul potenziale P300.
Il paper presenta SceneTok, un innovativo tokenizzatore che codifica le scene 3D in un insieme compresso e permutazionalmente invariato di token non strutturati, permettendo una ricostruzione di alta qualità, un rendering da nuove prospettive e una generazione efficiente di scene in pochi secondi, superando le limitazioni delle rappresentazioni spaziali tradizionali.
Questo lavoro dimostra che un semplice aumento non adattivo del passo di apprendimento garantisce la convergenza esponenziale della discesa del gradiente (e stocastica) per la regressione logistica separabile, mantenendo l'ottimizzazione in un regime stabile senza richiedere conoscenze a priori sull'orizzonte temporale.
Questo studio dimostra che, nel regime sovradimensionato, la Discesa dello Specchio Stocastica per matrici converge esponenzialmente a un interpolatore globale e generalizza i risultati sul bias implicito, mostrando come la mappa speculare matriciale determini la convergenza verso la soluzione che minimizza la divergenza di Bregman rispetto all'inizializzazione.
Il paper presenta SME-HGT, un framework basato su Heterogeneous Graph Transformer che utilizza esclusivamente dati pubblici per identificare con alta precisione le PMI ad alto potenziale destinate a passare dalla fase I alla fase II del finanziamento SBIR, superando le prestazioni dei modelli di riferimento.
Il paper presenta Janus-Q, un framework di trading end-to-end che trasforma le notizie finanziarie in unità decisionali primarie attraverso la costruzione di un dataset su larga scala e un addestramento guidato da un modello di ricompensa gerarchico, ottenendo risultati significativamente superiori rispetto agli indici di mercato e ai modelli linguistici esistenti.
Questo articolo presenta un framework di diffusione discreta che integra un estimatore efficiente di campioni (NeurISE) per le probabilità condizionali a singolo sito, dimostrando su diversi dataset sintetici e reali che tale approccio supera i metodi esistenti nelle metriche di valutazione.
Questo lavoro dimostra che l'addestramento al momento del test (TTT) con binding KV non è un processo di memorizzazione, ma può essere riformulato come un operatore di attenzione lineare appresa, offrendo semplificazioni architetturali e miglioramenti nell'efficienza.
Questo studio dimostra che la progettazione del contesto e l'uso di un prompting condizionato al mercato (MCP), che tratta la probabilità di mercato come un prior da aggiornare con evidenze testuali, migliorano significativamente l'accuratezza e la calibrazione delle previsioni dei modelli linguistici sui mercati di menzione.
Il paper propone FedVG, un nuovo framework di aggregazione per l'Apprendimento Federato che utilizza un set di validazione globale e le norme dei gradienti per guidare l'ottimizzazione, mitigando efficacemente il drift dei client e migliorando le prestazioni in scenari di dati eterogenei.
Il paper propone un framework di filtraggio della sicurezza basato su funzioni barriera di controllo che agisce come scudo online per i modelli generativi basati su flussi, garantendo il campionamento sicuro e il rispetto dei vincoli rigidi senza richiedere riaddestramento, minimizzando al contempo lo spostamento distribuzionale rispetto al modello originale.
Il paper propone un algoritmo di apprendimento per rinforzo multi-agente che integra l'avversione strategica al rischio come bias induttivo, permettendo agli agenti di sviluppare politiche collaborative generalizzabili e robuste nei confronti di partner inediti, superando i limiti delle soluzioni fragili e del free-riding tipici degli approcci esistenti.