11285 articoli
Questo studio presenta un'analisi sistematica delle strategie di inizializzazione e normalizzazione per le reti neurali su grafo (GCN, GAT e GraphSAGE) nel rilevamento di anomalie blockchain, rivelando che l'efficacia di queste tecniche dipende dall'architettura specifica e fornendo linee guida pratiche per l'implementazione di pipeline AML su dataset sbilanciati.
Il paper propone un framework causale bayesiano che, partendo da dati osservazionali eteroscedastici, infere separatamente i grafi causali della media e della varianza per migliorare l'interpretabilità e la quantificazione dell'incertezza, superando i limiti degli approcci tradizionali.
Il paper propone un framework di apprendimento che garantisce equità intervenzionale sfruttando un grafo causale a livello di cluster di variabili, riducendo la discrepanza peggiore tra distribuzioni intervenzionali senza richiedere la conoscenza completa del grafo causale a livello di singola variabile.
Questo studio presenta un benchmark sistematico sulla fusione multimodale di cartelle cliniche ed esami radiografici, rivelando che sebbene l'integrazione migliori le previsioni quando i dati sono completi, i benefici crollano in caso di dati mancanti e non garantiscono automaticamente l'equità, fornendo così linee guida pratiche per lo sviluppo di sistemi clinici affidabili.
Il paper presenta BTTackler, un nuovo framework per l'ottimizzazione degli iperparametri nel deep learning che identifica e termina precocemente le configurazioni di addestramento problematiche tramite diagnosi automatica, riducendo così significativamente i tempi di calcolo e aumentando la probabilità di trovare configurazioni ottimali rispetto ai metodi basati esclusivamente sulla precisione.
Questo lavoro fornisce una rigorosa analisi di convergenza per l'algoritmo SSAID nell'ottimizzazione bilevel stocastica, dimostrando che raggiunge un punto stazionario -ottimale con una complessità di , offrendo così la prima caratterizzazione esplicita della dipendenza dal numero di condizione e un tasso di convergenza ottimale che eguaglia i metodi multi-loop pur mantenendo l'efficienza computazionale di un singolo ciclo.
Il paper propone FedRot-LoRA, un framework federato che risolve il problema del disallineamento rotazionale nell'aggiornamento LoRA allineando le trasformazioni ortogonali dei fattori locali prima dell'aggregazione, migliorando così la stabilità e le prestazioni senza aumentare i costi di comunicazione.
Il paper presenta AnomalyFilter, un nuovo modello di diffusione selettiva per il rilevamento di anomalie nelle serie temporali che, mascherando il rumore gaussiano durante l'addestramento, ricostruisce solo le parti anomale preservando quelle normali, ottenendo così prestazioni superiori rispetto ai metodi esistenti.
Il paper presenta MoST, un metodo di apprendimento rappresentazionale basato su contrasto che, attraverso l'uso dello slicing tensoriale e la disentanglement delle caratteristiche specifiche e invarianti per modalità, supera gli stati dell'arte nella classificazione e previsione di serie temporali tensoriali multi-modalità.
Questo studio dimostra che l'apprendimento attivo basato sull'incertezza migliora significativamente l'efficienza nella classificazione dell'abitabilità degli esopianeti in presenza di uno squilibrio estremo delle classi, riducendo la necessità di etichette e identificando candidati promettenti per studi di follow-up.
Questo studio propone un quadro Bayesiano generale per l'apprendimento delle politiche che riformula la massimizzazione del benessere come minimizzazione di un errore quadratico, permettendo l'uso di una pseudo-verosimiglianza Gaussiana e fornendo garanzie teoriche di tipo PAC-Bayes.
Il paper presenta rs-embed, una libreria Python che unifica l'accesso ai modelli fondazionali per il telerilevamento, consentendo agli utenti di ottenere embedding per qualsiasi area e periodo con una singola riga di codice, superando così le attuali sfide di interoperabilità e confronto.
Questo articolo propone un nuovo paradigma di valutazione per i modelli linguistici su larga scala basato su un protocollo dinamico guidato da agenti autonomi che generano e validano iterativamente problemi di rilevamento di anomalie testuali, superando i limiti dei dataset statici per misurare in modo progressivo le capacità di ragionamento.
Il paper propone BDGxRL, un nuovo framework per l'apprendimento per rinforzo cross-domain che utilizza il Diffusion Schrödinger Bridge per allineare le transizioni della sorgente con le dinamiche del target tramite dimostrazioni offline, permettendo l'addestramento di politiche robuste senza accesso all'ambiente o alle ricompense del dominio target.
Questo articolo presenta un modello non parametrico basato sulla densità spaziale e temporale, sviluppato in collaborazione con la polizia di Delhi, che utilizza dati storici e input esperti per prevedere i hotspot criminali e ottimizzare l'assegnazione delle risorse di pattugliamento.
Il paper presenta OPTIAGENT, un framework agentico basato su LLM che, grazie a un dataset specializzato, a un addestramento ibrido e a un'ottimizzazione della politica guidata da ricompense fisiche, permette a utenti non esperti di progettare sistemi ottici complessi superando i metodi tradizionali.
Il paper propone MAGE, un metodo di apprendimento per rinforzo offline che utilizza una generazione autoregressiva multi-scala per modellare efficacemente le dipendenze temporali delle traiettorie e generare comportamenti coerenti e controllabili in compiti a lungo termine con ricompense sparse.
Il paper introduce TradeFM, un modello generativo fondazionale basato su Transformer che, apprendendo da miliardi di eventi di trading su oltre 9.000 azioni, cattura la struttura trasferibile della microstruttura di mercato per generare dati sintetici realistici e generalizzare senza supervisione a mercati geografici diversi.
Questo lavoro dimostra che l'analisi delle correlazioni canoniche (CCA) non lineare in un contesto multi-vista può essere formulata come un problema di identificazione del sottospazio, garantendo il recupero provabile dei sottospazi di segnale correlati condivisi tra le viste, a condizione che siano soddisfatti specifici prior latenti e condizioni di separazione spettrale.
Il paper presenta UPath, un planner universale basato su reti neurali che, superando i limiti delle distribuzioni di addestramento, riduce il costo computazionale di A* fino a 2,2 volte mantenendo soluzioni vicine all'ottimo su mappe grid completamente inedite.