2427 articoli
Il paper presenta CauKer, un algoritmo innovativo che genera serie temporali sintetiche causalmente coerenti per pre-addestrare in modo efficiente modelli foundation per la classificazione, dimostrando leggi di scalabilità superiori rispetto ai dataset reali.
Il paper presenta GraphProp, un metodo per addestrare modelli fondazionali su grafi che migliora la generalizzazione cross-dominio attraverso due fasi: prima l'apprendimento di rappresentazioni strutturali basate su invarianti grafici, poi l'integrazione di attributi specifici del dominio per ottenere prestazioni superiori nelle attività di classificazione, specialmente in contesti privi di attributi nodali.
Questo lavoro dimostra che i meccanismi di gating nelle reti neurali ricorrenti agiscono come precondizionatori adattivi basati sui dati, accoppiando le scale temporali dello stato con la dinamica dei parametri per generare tassi di apprendimento efficaci dipendenti dal ritardo e dall'orientamento, spiegando così la robusta trainabilità di tali architetture.
Il paper presenta ECHO, un modello fondazionale innovativo che integra un'architettura a bande divise e embedding posizionali frequenziali per elaborare segnali macchina di lunghezza variabile e a diversi tassi di campionamento, ottenendo prestazioni all'avanguardia nell'individuazione di anomalie e nella classificazione dei guasti.
Questo articolo presenta un algoritmo basato su giochi dinamici inversi che, sfruttando programmi lineari interi-misti per codificare le condizioni KKT, apprende vincoli parametrici da dimostrazioni di interazioni multi-agente per garantire la sicurezza e pianificare traiettorie robuste.
Questo studio presenta il CbLDM, un modello di diffusione latente basato su condizioni che risolve il problema inverso della nanostruttura recuperando nanoparticelle metalliche monometalliche dalla loro funzione di distribuzione delle coppie (PDF) utilizzando matrici di Laplace per garantire stabilità e risultati fisicamente significativi.
Questo articolo presenta un framework di addestramento unificato che combina un curriculum guidato dall'entropia e l'apprendimento multi-task per migliorare la previsione della mobilità umana, ottenendo prestazioni all'avanguardia e una convergenza più rapida rispetto ai metodi esistenti.
Questo studio dimostra che i metodi di imputazione basati su MICE offrono un'alternativa efficace e più semplice da implementare rispetto alle reti avversarie e agli autoencoder per la generazione di dati sintetici nella taratura assicurativa, preservando fedelmente le distribuzioni originali e migliorando le prestazioni dei modelli GLM.
Questo articolo propone la classe di metodi F²SA-p, che utilizza differenze finite di ordine p per approssimare il gradiente iperbolico nell'ottimizzazione bilevel stocastica, migliorando il limite superiore di complessità fino a per problemi altamente lisci e dimostrando la quasi-ottimalità di tale approccio rispetto al limite inferiore .
Lo studio dimostra che, sebbene le motivazioni degli agenti LLM siano inferibili con quasi assoluta precisione, i sistemi di credenze presentano un limite fondamentale di asimmetria informativa che ne impedisce l'identificazione accurata, indipendentemente dall'architettura o dalla quantità di dati.
Questo lavoro presenta un framework modulare multimodale basato sull'intelligenza artificiale generativa per produrre dati sintetici realistici sugli edifici residenziali a partire da immagini e informazioni pubbliche, riducendo la dipendenza da fonti dati costose o riservate e facilitando la ricerca sulla simulazione energetica.
Il paper introduce PANO, un operatore neurale fisico-consapevole che esegue un'inversione diretta in un singolo passaggio per la tomografia fotoacustica 3D, superando i metodi tradizionali e permettendo ricostruzioni di alta qualità da acquisizioni sparse in tempo reale.
Questo lavoro presenta un metodo che combina deep learning e le conduttanze di ingresso dinamiche (DIC) per ricostruire rapidamente e in modo scalabile popolazioni degeneri di modelli neuronali basati su conduttanze partendo esclusivamente dai tempi di picco, superando la sfida di inferire parametri biofisici da dati sperimentali limitati.
Il paper presenta MICA, un assistente di coordinamento industriale multi-agente basato su percezione e interazione vocale che, grazie a un meccanismo di fusione adattiva dei passaggi e a un controllo di sicurezza, garantisce assistenza affidabile, privata e funzionante offline per ambienti di fabbrica dinamici.
Il paper introduce ORIC, un framework e un benchmark per valutare come l'incongruenza contestuale comprometta il riconoscimento degli oggetti nei Large Vision-Language Models, dimostrando che l'addestramento su dati generati da questo metodo migliora significativamente l'affidabilità e riduce le allucinazioni dei modelli.
Questo lavoro propone l'ORN-CBF, un metodo che utilizza iperreti e l'analisi di raggiungibilità di Hamilton-Jacobi per apprendere funzioni di barriera neurale condizionate dalle osservazioni, garantendo filtri di sicurezza rigorosi e migliorando le prestazioni di robot autonomi in ambienti parzialmente osservabili rispetto alle tecniche esistenti.
Questo articolo presenta il primo limite PAC-Bayes completamente empirico per le catene di Markov, ottenibile stimando sperimentalmente il gap spettrale pseudo quando lo spazio degli stati è finito.
Lo studio dimostra che i monitor lineari per i modelli linguistici sono fragili e dipendono fortemente da evidenze testuali superficiali, poiché la loro efficacia crolla drasticamente quando tali indizi vengono rimossi o quando i modelli generano output privi di verbalizzazioni esplicite del comportamento target.
Il paper introduce AEGIS, un framework di aumento dei dati basato sulla ricampionatura degli archi esistenti che, preservando l'autenticità dei nodi e sfruttando l'arricchimento semantico, migliora le prestazioni di previsione dei collegamenti in grafi bipartiti sparsi senza generare endpoint fittizi.
Il paper introduce Aurora, un modello fondazionale multimodale per la previsione delle serie temporali che, sfruttando conoscenze di dominio estratte da testi e immagini tramite un meccanismo di attenzione guidato e un flusso di matching basato su prototipi, ottiene prestazioni all'avanguardia e capacità di inferenza zero-shot in scenari cross-domain.