11364 articoli
Il paper presenta VolleyBots, un nuovo banco di prova per il gioco di pallavolo con droni multipli che integra controllo del movimento e strategia, dimostrando come una politica gerarchica superi i metodi esistenti e possa essere implementata nel mondo reale tramite trasferimento zero-shot dalla simulazione.
Questo studio dimostra che gli algoritmi di raccomandazione quantistica e classico-ispirati di Kerenidis-Prakash soddisfano naturalmente la privacy differenziale grazie al rumore intrinseco delle loro fasi di misurazione e campionamento, eliminando la necessità di aggiungere rumore artificiale.
Questo articolo presenta un nuovo framework per la descrizione audio ad alta qualità basato sul kernel USW-RBF con embedding posizionale rotativo, che risolve il problema del bias di esposizione preservando le relazioni temporali tra audio e linguaggio, migliorando significativamente la generazione di didascalie e le capacità di ragionamento nei modelli linguistici audio.
Questo articolo stabilisce le condizioni esatte di concentrabilità necessarie per raggiungere una complessità di campionamento ottimale nell'apprendimento di politiche offline per banditi contestuali regolarizzati con -divergenza, dimostrando che la discesa del KL inverso beneficia di un'analisi basata sul pessimismo sotto concentrabilità a singola politica, mentre altre -divergenze fortemente convesse raggiungono la stessa efficienza senza tali restrizioni.
Il documento presenta ANCHOLIK-NER, il primo dataset di benchmark per il riconoscimento di entità nominate (NER) nei dialetti regionali del bengalese, valutando le prestazioni di modelli basati su transformer e evidenziando la necessità di ulteriori ricerche per migliorare l'accuratezza in dialetti specifici come quello di Chittagong.
Il paper propone IMTS-Mixer, una nuova architettura basata su reti MLP che supera lo stato dell'arte nella previsione di serie temporali multivariate irregolari e sparse, garantendo al contempo maggiore efficienza computazionale e precisione rispetto ai modelli esistenti.
Questo paper propone Geodesic Integrated Gradients (GIG), un metodo di attribuzione che sostituisce i percorsi rettilinei degli Integrated Gradients con geodetiche calcolate su una metrica Riemanniana indotta dal modello, dimostrando teoricamente e empiricamente che tale approccio garantisce attribuzioni più fedeli e soddisfa il nuovo assioma di Completezza senza Cancellazione.
Il paper introduce GAUDI, un innovativo framework di deep learning geometrico non supervisionato che, grazie a un'architettura a imbuto con connessioni residue, mappa efficacemente le variabilità strutturali dei grafi in uno spazio latente continuo per isolare le caratteristiche invarianti del sistema, dimostrando superiorità nell'analisi di fenomeni complessi in ambiti che spaziano dalle reti biologiche alla neuroscienza.
Il paper introduce SODAs, un metodo guidato dai dati che identifica equazioni differenziali-algebriche (DAE) nella loro forma esplicita attraverso un'ottimizzazione convessa sequenziale, permettendo di scoprire modelli interpretabili e strutturalmente fedeli senza dover eliminare preventivamente le variabili algebriche.
Il paper presenta CoP2L, un metodo di apprendimento continuo basato sulla teoria della compressione dei campioni che seleziona in modo efficiente dati rappresentativi per ogni compito, permettendo di derivare limiti di generalizzazione computabili e non vuoti pur mantenendo prestazioni competitive nel mitigare l'oblio catastrofico.
Questo lavoro estende l'algoritmo di minimizzazione del rimpianto per la progettazione ottimale, proponendo un nuovo schema di regolarizzazione che garantisce una soluzione approssimata con complessità campionaria provata e dimostrando empiricamente prestazioni superiori rispetto agli stati dell'arte su dataset come MNIST, CIFAR-10 e ImageNet.
Il paper propone RaPA, un metodo di attacco mirato senza addestramento che migliora significativamente il tasso di successo nel trasferimento tra modelli diversi (inclusi CNN e Transformer) attraverso la randomizzazione e il pruning casuale dei parametri del modello surrogato per ridurre la dipendenza da un sottoinsieme limitato di parametri.
Il lavoro propone una strategia di progettazione adattiva e composita per i potenziali interatomici basati sull'apprendimento automatico, guidata dall'analisi della matrice di informazione di Fisher, che ha permesso di ottenere un modello ottimizzato per il niobio con un numero ridotto di parametri e un'elevata precisione nella previsione di forze ed energie.
Questo studio analizza l'estimazione di distribuzioni discrete in termini di entropia relativa, fornendo limiti ottimali per l'errore ad alta probabilità dell'estimatore di Laplace, identificando una tecnica di regolarizzazione ottimale dipendente dal livello di confidenza che introduce un fattore logaritmico aggiuntivo, e proponendo un nuovo stimatore adattivo per distribuzioni sparse che include anche un limite superiore preciso sulla massa mancante.
Questo paper propone un metodo innovativo a due stadi per la compressione dei grandi modelli linguistici che, superando le sfide dell'interazione tra componenti a basso rango e sparse e dell'allocazione delle risorse, ottimizza globalmente rank e sparsità per ottenere prestazioni superiori rispetto alle tecniche esistenti.
Questo lavoro presenta un framework robusto per la quantificazione dell'incertezza con dati di addestramento corrotti, analizzando la resilienza del metodo PCP a pesi imprecisi e introducendo l'imputazione incerta (UI) come alternativa che non richiede stime dei pesi, garantendo infine previsioni statisticamente valide attraverso un approccio triplamente robusto.
Il documento propone il metodo DRCD per determinare la direzione causale tra una variabile continua e una discreta, basandosi su risultati teorici che collegano la monotonia del rapporto di densità e le famiglie di spostamento di posizione alla causalità, dimostrando sperimentalmente la superiorità rispetto alle tecniche esistenti.
Il documento presenta un framework di sensing multi-vista basato sull'apprendimento generativo condizionale che integra conoscenze fisiche e un modello di diffusione per ricostruire con alta precisione la forma e le proprietà elettromagnetiche di un bersaglio utilizzando le informazioni sullo stato del canale (CSI) provenienti da più stazioni base.
Il lavoro propone una nuova prospettiva geometrica sullo spazio latente dei modelli di diffusione, introducendo un "spaziotempo" latente che risolve le limitazioni degli approcci deterministici e permette il calcolo efficiente di distanze di editing e percorsi di transizione ottimali tramite la metrica di Fisher-Rao.
Il paper presenta GraftLLM, un metodo innovativo che utilizza i "SkillPack" per trasferire in modo efficiente le capacità di modelli linguistici grandi ed eterogenei verso un modello target, risolvendo problemi di conflitto parametrico e dimenticanza catastrofica nel contesto dell'apprendimento continuo e della fusione di modelli.