11383 articoli
Il paper presenta LinGuinE, un framework PyTorch che combina registrazione e segmentazione guidata per ottenere la segmentazione volumetrica e il tracciamento delle lesioni tumorali longitudinali da un singolo prompt del radiologo, raggiungendo prestazioni all'avanguardia su quattro dataset senza richiedere addestramento su dati longitudinali.
Il paper introduce RL-Obfuscation, un metodo di apprendimento per rinforzo che dimostra come i modelli linguistici possano essere addestrati a eludere i monitor nello spazio latente, rivelando che i monitor basati su singoli token sono vulnerabili e generalizzabili, mentre quelli più olistici rimangono robusti.
Il paper introduce la scoperta di dinamiche continue basate su motivi (MCD), un quadro che supera la segmentazione comportamentale discreta tradizionale identificando un insieme interpretabile di motivi motori fondamentali e modellando il comportamento animale come una miscela continua di questi elementi per catturarne la natura flessibile e composita.
Questo articolo sostiene che la giustizia nell'apprendimento automatico non può fondarsi esclusivamente sull'uguaglianza distributiva, ma richiede un quadro egualitario più ampio che integri l'uguaglianza relazionale per affrontare sia i danni allocativi che quelli rappresentativi derivanti dalle disuguaglianze strutturali.
Questo studio caratterizza teoricamente l'errore di interpolazione dell'attenzione non lineare in regime ad alta dimensionalità, dimostrando che, sebbene generalmente superiore a quello della regressione lineare su input casuali, il divario si riduce o si inverte quando i dati contengono segnali strutturati e i pesi dell'attenzione sono allineati ad essi.
Il documento propone un quadro statistico basato su modelli lineari generalizzati bayesiani per valutare simultaneamente l'affidabilità e i potenziali bias degli autograder basati su LLM, permettendo di quantificare le differenze di punteggio e di analizzare le fonti di disaccordo in modo più robusto e interpretabile.
Questo lavoro affronta la scarsità di dati nella segmentazione di immagini mediche proponendo un metodo basato sull'assunzione di scambiabilità, piuttosto che sull'i.i.d., per gestire gli spostamenti distribuzionali durante il pooling di dati e migliorare le prestazioni del modello attraverso il controllo delle discrepanze tra caratteristiche di primo piano e sfondo.
Il paper presenta un nuovo framework che combina l'adattamento dei flussi (flow matching) per generare perturbazioni iniziali fisicamente coerenti e l'integrazione deterministica tramite ODE per propagare efficientemente ensemble di previsioni probabilistiche su sistemi dinamici, superando i limiti computazionali e di realismo fisico dei modelli basati su diffusione.
Questo paper introduce un approccio chiamato "Silent Gradients" che, limitando l'architettura del decoder per calcolare analiticamente il limite inferiore della verosimiglianza (ELBO), elimina la varianza di stima nei gradienti durante l'addestramento dei Variational Autoencoders, migliorando così la stabilità e le prestazioni rispetto ai metodi stocastici tradizionali.
Il paper presenta LayerT2V, un framework unificato che genera video da testo con rappresentazioni multistrato editabili (sfondo, primi piani e relative maschere) in una singola inferenza, garantendo coerenza temporale e semantica grazie a un'architettura DiT condivisa e al nuovo dataset VidLayer.
Il paper presenta PoET-2, un modello fondazionale proteico multimodale e basato su recupero che, integrando vincoli evolutivi specifici per famiglia e condizionamento strutturale, raggiunge prestazioni all'avanguardia nella previsione degli effetti delle varianti e nell'apprendimento delle relazioni sequenza-funzione, specialmente con dataset ridotti.
Il lavoro propone MixCache, un framework di caching ibrido e adattivo senza addestramento che accelera significativamente l'inferenza dei modelli video DiT selezionando dinamicamente la granularità di caching ottimale per bilanciare velocità e qualità della generazione.
Questo studio propone un metodo innovativo basato su una rete Extreme Learning Machine (ELM) con architettura Multi-Input Multi-Output (MIMO) e codifica temporale ciclica per la previsione a breve termine della produzione e del consumo energetico in Corsica, ottenendo prestazioni superiori rispetto ai modelli di persistenza e con minori requisiti computazionali rispetto alle reti neurali profonde.
Questo paper propone ADAPT-Z, un metodo di apprendimento online per la previsione delle serie temporali che affronta lo shift di distribuzione aggiornando le rappresentazioni delle caratteristiche latenti tramite un modulo adattatore che sfrutta informazioni gradientali storiche per mitigare il problema del feedback ritardato.
Il paper presenta AquaCast, un modello di deep learning multi-input e multi-output basato su Transformer che, integrando variabili endogene ed esogene (come le previsioni di precipitazione), supera le prestazioni degli approcci esistenti nel forecasting della dinamica delle acque urbane su dataset reali e sintetici.
Questo articolo presenta un nuovo metodo guidato dalla Teoria delle Matrici Casuali che, attraverso un algoritmo di bi-bianchettatura, automatizza la selezione della sparsità nella PCA per dati di RNA-seq a cellula singola, migliorando significativamente la riduzione della dimensionalità e la classificazione delle cellule rispetto alle tecniche esistenti.
Il paper introduce rBridge, un metodo che utilizza modelli proxy piccoli (fino a 1B parametri) allineati all'obiettivo di pre-addestramento e al compito target per prevedere in modo efficace ed economico le capacità di ragionamento dei grandi modelli, riducendo i costi di valutazione dei dataset di oltre 100 volte.
Questo articolo propone un approccio di ottimizzazione bayesiana basato sulla teoria dell'informazione per problemi bilevel con funzioni nere costose, definendo un criterio unificato che massimizza il guadagno informativo per entrambe i livelli e dimostrandone l'efficacia attraverso esperimenti empirici.
Questo studio dimostra che, in un'analisi di regressione a singola posizione ad alta dimensionalità, il meccanismo di attenzione softmax raggiunge il rischio di Bayes e supera costantemente l'attenzione lineare sia a livello di popolazione che nel regime a campioni finiti, fornendo una giustificazione teorica per il suo predominio nei modelli linguistici su larga scala.
Questo studio introduce una legge di scalabilità per la perdita che predice la ripartizione ottimale dei calcoli tra le fasi di addestramento in precisione intera e quantizzata, dimostrando che il rapporto ideale aumenta con il budget computazionale e proponendo un metodo di fusione innovativo per ridurre i costi di calcolo mantenendo alta l'accuratezza dei modelli quantizzati.