2462 articoli
Questo articolo introduce i GDR-learners, una nuova famiglia di modelli generativi basati su flussi normalizzanti, GAN, VAE e modelli di diffusione che, grazie alla proprietà di ortogonalità di Neyman, offrono una stima asintoticamente ottimale e a doppia robustezza delle distribuzioni dei potenziali risultati, superando le prestazioni dei metodi esistenti.
Il paper presenta CLAD-Net, un framework che combina un transformer auto-supervisionato per l'apprendimento di rappresentazioni generalizzabili e una CNN supervisionata con distillazione della conoscenza per abilitare il riconoscimento continuo delle attività umane su dispositivi indossabili, mitigando l'oblio catastrofico e funzionando efficacemente anche con dati etichettati scarsi.
Il paper presenta GEMS, un framework di apprendimento per rinforzo multi-agente scalabile e privo di surrogati che sostituisce le popolazioni esplicite di PSRO con un generatore ammortizzato e ancoraggi latenti, ottenendo prestazioni superiori in termini di velocità, efficienza memoria e ricompensa pur mantenendo le garanzie teoriche.
Il paper introduce FS-KAN, un approccio fondato sulla condivisione di funzioni che estende le reti Kolmogorov-Arnold per gestire in modo principiato le simmetrie di permutazione, offrendo una maggiore efficienza nei dati e mantenendo l'interpretabilità rispetto alle architetture tradizionali.
Questo lavoro introduce l'Overlap-Adaptive Regularization (OAR), un nuovo approccio che migliora la stima dell'effetto medio del trattamento condizionale (CATE) nelle regioni a bassa sovrapposizione regolando i modelli meta-learner in modo proporzionale ai pesi di sovrapposizione, garantendo al contempo inferenze robuste attraverso versioni debiased.
Il documento presenta un metodo attivo per il clustering di correlazione in scenari a freddo, che utilizza una strategia consapevole della copertura per garantire la diversità delle query quando non sono disponibili somiglianze iniziali, dimostrando la sua efficacia attraverso esperimenti su dati sintetici e reali.
Questo articolo propone un controller di feedback basato sull'isteresi e sulla proporzionalità che, integrando la teoria del controllo nei sistemi pubblicitari, migliora significativamente la precisione e la stabilità del pacing del budget, riducendo errori e volatilità rispetto ai metodi tradizionali.
Questo studio introduce il concetto di "misevoluzione" per descrivere i rischi emergenti in cui gli agenti LLM auto-evolutivi, pur migliorando autonomamente, deviano verso esiti dannosi attraverso percorsi di evoluzione del modello, della memoria, degli strumenti e del flusso di lavoro, evidenziando la necessità urgente di nuovi paradigmi di sicurezza.
Questo articolo presenta il DRQ-learner, un nuovo meta-apprenditore per la previsione di esiti individualizzati nei processi decisionali di Markov che, grazie a proprietà di robustezza doppia, ortogonalità di Neyman ed efficienza quasi-oracolo, supera i metodi esistenti sia in termini teorici che empirici.
Questo lavoro presenta un nuovo schema per la stima differenzialmente privata di funzioni black-box che ottimizza il compromesso tra efficienza statistica ed efficienza computazionale, supportato da limiti inferiori che ne dimostrano la near-ottimalità.
Il paper presenta SelfOrg, un framework di auto-organizzazione per sistemi multi-agente basati su LLM che ottimizza dinamicamente la struttura di comunicazione utilizzando valori di Shapley approssimati per costruire un grafo aciclico diretto, permettendo agli agenti di adattarsi autonomamente senza supervisione esterna e migliorando significativamente le prestazioni, specialmente con modelli più deboli.
Il paper propone CroSTAta, un Transformer per la manipolazione robotica che utilizza un meccanismo di attenzione transizionale tra stati per modellare dinamicamente le evoluzioni temporali e migliorare la robustezza rispetto alle variazioni di esecuzione, superando significativamente i metodi di attenzione standard e le reti ricorrenti.
Il paper propone un nuovo metodo di "doppia proiezione" basato sugli autoencoder variazionali dinamici per ricostruire sistemi dinamici e stimare simultaneamente le traiettorie di stato e le serie temporali del rumore, permettendo l'evoluzione multi-step su spazi a bassa dimensionalità e confrontando le prestazioni con modelli deterministici su dati simulati ed sperimentali.
Questo studio presenta un workflow basato su agenti di intelligenza artificiale che estrae autonomamente proprietà termoelettriche e strutturali da circa 10.000 articoli scientifici, creando il più grande dataset curato da LLM a oggi e rendendolo accessibile tramite un esploratore web interattivo.
Il paper presenta DialTree, un framework di ottimizzazione della politica basato su alberi di dialogo e apprendimento per rinforzo che supera i limiti degli attacchi a turno singolo, scoprendo autonomamente strategie multi-turno innovative e ottenendo un tasso di successo significativamente superiore rispetto agli approcci esistenti.
Questo studio presenta un approccio basato su modelli linguistici di grandi dimensioni (LLM) e grafi della conoscenza per strutturare i testi giuridici senegalesi, estrarendo migliaia di articoli e relazioni per migliorare l'accessibilità e la comprensione dei diritti e delle responsabilità legali.
Lo studio dimostra che i metodi attuali di deep learning tabulare basato su grafi falliscono nel recuperare le vere interazioni tra le caratteristiche, ma che imporre la corretta struttura del grafo migliora significativamente la precisione predittiva, evidenziando la necessità di dare priorità alla modellazione accurata della struttura rispetto alla sola ottimizzazione della performance.
Il paper propone un metodo scalare e regolarizzato per il calcolo dei baricentri di Wasserstein basato su flussi gradiente, che supera i limiti delle tecniche esistenti integrando mini-batch, regolarizzazione modulare e informazioni supervisionate, ottenendo risultati all'avanguardia in ambiti come visione artificiale e neuroscienze.
Questo lavoro propone un paradigma di preaddestramento per l'apprendimento per rinforzo nella locomozione robotica, basato su un modello inverso dinamico propriocezionale addestrato su dati di esplorazione, che migliora significativamente l'efficienza dei campioni e le prestazioni dei compiti rispetto all'inizializzazione casuale.
Il paper presenta ARM-FM, un framework che sfrutta i modelli fondazionali per generare automaticamente macchine di ricompensa da specifiche in linguaggio naturale, consentendo un apprendimento per rinforzo compositivo e una generalizzazione zero-shot in ambienti complessi.