12277 articoli
Il paper propone un approccio di apprendimento e stima quantistica, basato su un modello ibrido Q-TCN-LSTM e sull'estimazione dell'ampiezza quantistica, per ottimizzare la coordinazione tra reti di distribuzione e comunità energetiche, migliorando significativamente l'accuratezza e riducendo il carico computazionale rispetto ai metodi classici.
Il paper presenta CoMind, un sistema multi-agente che sfrutta la conoscenza collettiva di una comunità di ricerca simulata per ottenere risultati all'avanguardia, superando la maggior parte dei concorrenti umani nelle competizioni Kaggle.
Questo lavoro illustra l'uso delle Macchine a Boosting Esplicabili (EBM) in un approccio di Machine Learning guidato dalla conoscenza per identificare le sommità sovrastanti (overshooting tops) nelle immagini satellitari, dimostrando come sia possibile sviluppare algoritmi interpretabili che integrano strategie umane per migliorare l'affidabilità nelle previsioni meteorologiche ad alto rischio.
Il paper presenta pFedMMA, un innovativo framework di apprendimento federato personalizzato che utilizza adattatori multi-modali per ottimizzare i modelli visione-linguaggio su dati decentralizzati, ottenendo un equilibrio superiore tra personalizzazione e generalizzazione rispetto ai metodi esistenti.
Il paper propone nuovi metodi di previsione conformale per la classificazione a code lunghe che bilanciano efficacemente la dimensione degli insiemi di previsione e la copertura condizionale per classe, superando il compromesso tradizionale tra insiemi piccoli ma inaffidabili e insiemi troppo grandi.
Questo lavoro propone un framework di meta-apprendimento che, rispetto agli algoritmi DRL tradizionali come PPO, permette un'allocazione dello spettro più rapida, efficiente e sicura nelle reti wireless dinamiche, migliorando significativamente il throughput e riducendo le violazioni di qualità del servizio.
Questo articolo dimostra che l'Analisi delle Componenti Indipendenti (ICA) può essere utilizzata per stimare in modo coerente ed efficiente gli effetti del trattamento, sfruttando le stesse condizioni di momento dell'Apprendimento Automatico Ortogonale (OML) ma con prestazioni superiori in termini di efficienza del campione anche in presenza di confondenti gaussiani e effetti di disturbo non lineari.
Questo lavoro propone un metodo per l'apprendimento rapido di modelli 3D di veicoli spaziali non cooperativi che utilizza un'inizializzazione basata su primitive generate da una CNN per ridurre drasticamente i costi computazionali e la dipendenza da pose precise, rendendo così fattibile l'uso della sintesi di nuove viste in ambito spaziale.
Questo paper propone un framework ad alta efficienza dati che trasforma i modelli linguistici multimodali generativi in modelli di embedding discriminativi zero-shot, utilizzando prompt di embedding gerarchici e un campionamento di negativi difficili auto-consapevole per superare i limiti del pre-addestramento contrastivo e delle false negative.
Il paper presenta AMBER-AFNO, un nuovo modello leggero per la segmentazione 3D di immagini mediche che sostituisce l'attenzione self-attention con operatori neurali Fourier adattivi per ottenere una complessità computazionale quasi lineare e prestazioni all'avanguardia su dataset pubblici.
Il paper presenta FeynTune, una serie di 20 modelli linguistici specializzati per la fisica teorica delle alte energie, ottenuti tramite l'adattamento fine di Llama-3.1 su abstract di arXiv, che superano il modello base e i principali LLM commerciali nel completamento di testi di fisica teorica.
Il paper presenta MICoBot, un sistema di dialoghi a iniziativa mista che coordina la collaborazione uomo-robot attraverso una pianificazione a tre livelli per adattare dinamicamente l'allocazione dei compiti alle capacità del robot e alla disponibilità dell'umano, migliorando significativamente il successo del compito e l'esperienza utente rispetto ai metodi tradizionali.
Questo lavoro introduce Dynamic Fine-Tuning (DFT), un metodo che corregge la struttura di ricompasta implicita nella SFT standard attraverso una ridimensionamento dinamico dei gradienti, migliorando significativamente la generalizzazione dei modelli linguistici su compiti complessi come il ragionamento matematico e la generazione di codice.
Il paper presenta OM2P, un nuovo algoritmo di apprendimento per rinforzo multi-agente offline che integra modelli di flusso medio con supervisione della funzione Q per ottenere un campionamento delle azioni in un singolo passo, riducendo drasticamente l'uso della memoria GPU e accelerando i tempi di addestramento rispetto ai metodi generativi iterativi esistenti.
Questo paper introduce un nuovo paradigma di apprendimento contrastivo strutturale che, sfruttando le proprietà intrinseche dei diagrammi attraverso funzioni di perdita specializzate e campioni difficili, migliora significativamente la comprensione dei diagrammi nei modelli visione-linguaggio rispetto agli approcci standard come CLIP.
Il paper introduce GABI, un framework che utilizza autoencoder geometrici per apprendere modelli generativi consapevoli della forma dai dati, consentendo l'inversione bayesiana con quantificazione dell'incertezza su sistemi fisici con geometrie complesse senza richiedere la conoscenza delle equazioni governative.
Il paper presenta E-CIT, un framework generale e plug-and-play che riduce drasticamente il costo computazionale della scoperta causale basata su vincoli partizionando i dati e aggregando i p-value tramite distribuzioni stabili, mantenendo al contempo garanzie teoriche e prestazioni competitive.
Questo studio dimostra come i modelli del mondo possano sviluppare capacità di apprendimento nel contesto attraverso i meccanismi di riconoscimento e apprendimento ambientale, evidenziando che la diversità dei dati e contesti estesi sono fondamentali per il loro adattamento dinamico.
Questo lavoro dimostra che la progettazione di funzioni di attivazione, in particolare attraverso l'introduzione di nuove non-linearità come Smooth-Leaky, è uno strumento fondamentale e leggero per preservare la plasticità e mitigare la perdita di capacità di adattamento nell'apprendimento continuo, senza richiedere capacità aggiuntiva o tuning specifico per task.
Il paper presenta ProtoTS, un innovativo framework di previsione delle serie temporali che combina alta accuratezza e interpretabilità trasparente attraverso l'uso di prototipi temporali gerarchici per modellare modelli globali e variazioni locali, facilitando la comprensione delle decisioni in scenari ad alto rischio.