11526 articoli
Questo studio presenta un framework di machine learning multimodale e calibrato che utilizza dati pre-esistenti per stratificare proattivamente il rischio di errori di dosaggio nei trial clinici, consentendo una gestione della qualità più efficace.
Questo articolo presenta un metodo di spiegabilità basato sulla logica con garanzie di correttezza che, applicato a un modello di intelligenza artificiale per la previsione della morte cardiaca improvvisa nella cardiomiopatia chagassica, supera i limiti dei metodi euristici offrendo affidabilità, coerenza e fiducia clinica necessarie per il suo utilizzo su larga scala.
Il modello di intelligenza artificiale GraphRiverCast (GRC) supera le limitazioni della scarsità di dati idrologici globali simulando in modo sistemico e robusto la dinamica dei fiumi su scala mondiale, anche senza dati storici, grazie alla sua architettura informata dalla topologia e all'adattamento locale.
Il paper introduce UpSkill, un metodo di addestramento che adatta l'apprendimento delle abilità basato sull'informazione mutua (MISL) ai grandi modelli linguistici tramite un nuovo reward a livello di token, migliorando la diversità delle risposte e le metriche pass@k senza degradare l'accuratezza singola.
Questo articolo propone un approccio di apprendimento inverso per rinforzo avversario che, formulando il rilevamento dei guasti come un problema offline, apprende dinamiche di ricompensa direttamente dalle sequenze operative sane per identificare le anomalie senza necessità di etichette di guasto o ingegneria manuale delle ricompense.
Il paper presenta AviaSafe, un modello di previsione meteorologica basato sull'intelligenza artificiale e guidato dalla fisica, che supera i limiti dei sistemi attuali prevedendo globalmente fino a sette giorni le quattro specie microphysicali delle nuvole critiche per la sicurezza aerea, integrando vincoli fisici come l'indice di condizione di ghiacciamento per ottimizzare le rotte aeree e mitigare i rischi di formazione del ghiaccio.
Questo studio presenta un framework basato su modelli linguistici multimodali (MLLM) che analizza i primi tre secondi degli annunci video per identificare le caratteristiche chiave che influenzano l'engagement e le metriche di conversione, integrando elementi visivi, audio e di targeting per ottimizzare le strategie pubblicitarie.
Questo lavoro presenta il primo algoritmo di apprendimento testabile per iperpiani generali in presenza di rumore Massart e distribuzioni gaussiane, raggiungendo una complessità quasi-polinomiale che corrisponde ai limiti inferiori noti e basandosi su una nuova approssimazione polinomiale della funzione segno con errore moltiplicativo.
Questo lavoro dimostra che il contrasto basato sulla curtosi nell'analisi ICA decade come nelle miscele bilanciate, rendendo necessaria una purificazione delle sorgenti o un numero di campioni sufficientemente elevato per superare i limiti di stima.
Questa tesi affronta le sfide di affidabilità ed efficienza dei modelli linguistici su larga scala proponendo un quadro unificato basato sulla teoria delle matrici casuali, che introduce EigenTrack per il rilevamento in tempo reale di allucinazioni e RMT-KD per la compressione efficiente dei modelli preservandone l'accuratezza.
Questo lavoro propone un modello surrogato basato sull'intelligenza artificiale che, codificando la geometria del torso in uno spazio latente compatto, permette simulazioni ECG forward ad alta fedeltà e basso costo computazionale anche in assenza di segmentazioni anatomiche complete.
Il paper introduce il Background-Contrastive Non-negative Matrix Factorization, un metodo scalabile e interpretabile che isola i segnali biologici specifici di un target soppresse le variazioni di fondo dominanti, rivelando strutture altrimenti nascoste in dati biologici ad alta dimensionalità.
Il paper presenta MolFM-Lite, un modello multi-modale che migliora la previsione delle proprietà molecolari integrando sequenze, grafi ed ensemble conformazionali tramite meccanismi di attenzione incrociata e fusione contestuale, ottenendo significativi guadagni prestazionali rispetto ai metodi a modalità singola.
Il documento propone un framework ibrido basato sull'apprendimento che adatta dinamicamente le strategie di accoppiamento nei mercati di scambio, combinando match immediati e ritardati per ridurre attese e congestione minimizzando al contempo la perdita di efficienza.
Questo studio dimostra che i modelli di regressione basati su funzioni lisce, come i polinomi di Chebyshev e le reti RBF anisotrope, possono competere in accuratezza con gli ensemble di alberi decisionali su dati tabulari offrendo al contempo un migliore gap di generalizzazione, rendendoli una valida alternativa per applicazioni che richiedono previsioni gradualmente variabili.
Lo studio dimostra che, sebbene i grandi modelli linguistici contengano rappresentazioni astratte e invariate dei concetti (Concept Vectors) che generalizzano bene attraverso diversi formati e lingue, queste sono distinte dai vettori di funzione (Function Vectors) che guidano l'apprendimento contestuale ma risultano sensibili al formato di input.
Il paper introduce SimpleOCR, una strategia di formazione plug-and-play che, rendendo le domande testuali direttamente sulle immagini, costringe i modelli linguistici multimodali a superare la loro "pigrizia modale" e a migliorare significativamente le capacità di lettura visiva con un'efficienza dei dati senza precedenti.
Questo lavoro propone nuovi stimatori coerenti per la guida a tempo di test che permettono il campionamento calibrato dal vero posteriore bayesiano, risolvendo il problema di miscalibrazione dei metodi esistenti e ottenendo prestazioni superiori in compiti di inferenza bayesiana e nella ricostruzione di immagini di buchi neri.
Il paper presenta TopoEdit, un editor rapido per modifiche post-ottimizzazione che sfrutta le incorporazioni latenti strutturate di un modello fondazionale pre-addestrato (OAT) e un processo di diffusione guidato per apportare modifiche locali consapevoli della fisica alle strutture ottimizzate, preservando le prestazioni meccaniche e evitando il collasso strutturale in modo significativamente più efficace rispetto alle modifiche dirette nello spazio delle densità.
Questo lavoro propone un pipeline di ricostruzione vocale in due fasi basato su una GAN condizionata dualmente (RAD-GAN) che, integrando un discriminatore Multi-Mel e un gate di fusione residuo, supera lo stato dell'arte nel ripristinare la banda completa di segnali vocali mmWave a basso rapporto segnale-rumore catturati attraverso pareti di vetro.