12775 articoli
Il paper introduce SphUnc, un quadro unificato che combina l'apprendimento di rappresentazioni ipersferiche con la modellazione causale strutturale per decomporre l'incertezza e identificare relazioni causali in sistemi multi-agente complessi, migliorando accuratezza, calibrazione e interpretabilità.
Il paper presenta TripleSumm, un nuovo approccio che fonde in modo adattivo le modalità visiva, testuale e audio per la sintesi video, accompagnato da MoSu, il primo benchmark su larga scala che fornisce tutte e tre le modalità, con risultati che superano lo stato dell'arte su quattro dataset.
Questo studio presenta e valuta le varianti estese dell'algoritmo PARWiS per la determinazione del vincitore tramite confronti a coppie attivi sotto vincoli di budget severi, dimostrando che l'approccio base e quello basato sul reinforcement learning superano le strategie di baseline su dataset sintetici e reali, sebbene l'integrazione di informazioni contestuali richieda ulteriori ottimizzazioni.
Questo studio teorico dimostra che, in un modello di apprendimento hebbiano per l'analisi delle componenti indipendenti, i tempi di apprendimento per input ad alta dimensionalità seguono una scala supralineare, diventando rapidamente proibitivi a causa della riduzione dei gradienti iniziali, il che rivela un limite fondamentale per l'ottimizzazione delle reti neurali complesse.
Questo lavoro presenta un modello di Vision-Language Model (VLM) finetunato che, partendo da immagini monococulari e comandi linguistici, stima con precisione la posizione 3D degli oggetti per migliorare l'interazione uomo-robot, raggiungendo un errore mediano di 13 mm.
Il paper "AgilePruner" presenta un'analisi empirica che evidenzia i limiti dei metodi di pruning basati su attenzione e diversità nei Large Vision-Language Models, proponendo un meccanismo adattivo che combina dinamicamente queste strategie in base alla complessità dell'immagine per migliorare le prestazioni e ridurre le allucinazioni.
Il paper presenta MOSAIC, una piattaforma open-source che unifica ambienti di apprendimento per agenti multipli permettendo il confronto equo e riproducibile tra paradigmi eterogenei come RL, LLM, VLM e decisori umani tramite un protocollo IPC isolato e un'interfaccia unificata.
Questo articolo propone S2O, un nuovo approccio che migliora l'addestramento avversariale trattando i pesi delle reti neurali come variabili casuali e ottimizzando le loro statistiche del secondo ordine per rilassare l'ipotesi di indipendenza nei framework PAC-Bayesiani, ottenendo così un limite di generalizzazione robusta più stretto e prestazioni superiori.
Il paper presenta GlassMol, un modello di concetto interpretabile che supera i compromessi tra accuratezza e trasparenza nella previsione delle proprietà molecolari colmando le lacune di rilevanza, annotazione e capacità attraverso una selezione automatizzata dei concetti guidata da LLM.
Questo studio utilizza un modello XGBoost e l'interpretazione SHAP per dimostrare che, sebbene un maggior numero di celle delle batterie migliori inizialmente le prestazioni di accelerazione dei veicoli elettrici, è necessario un equilibrio tra complessità del sistema e configurazione architettonica per ottimizzare le prestazioni complessive.
Il paper introduce la "bipredicibilità" (P) e il suo monitor "Information Digital Twin" (IDT) come una misura informativa in tempo reale e provatamente limitata per rilevare precocemente il degrado dell'interazione agente-ambiente in sistemi RL, superando i limiti delle metriche basate sulla ricompensa.
Il paper propone l'Unlearning con Smussatura dell'Attenzione (ASU), un framework che risolve il compromesso tra oblio e utilità nei modelli linguistici appiattendo le distribuzioni di attenzione per cancellare in modo stabile le informazioni memorizzate senza compromettere la coerenza delle risposte.
Il paper presenta JailNewsBench, il primo benchmark multilingue e regionale su larga scala per valutare la resilienza dei modelli linguistici di grandi dimensioni (LLM) contro la generazione di notizie false indotta da attacchi jailbreak, rivelando significativi squilibri nelle difese di sicurezza tra diverse lingue e aree geografiche.
Questo articolo presenta PPO-LTL, un framework che integra vincoli di Logica Temporale Lineare (LTL) nell'algoritmo Proximal Policy Optimization per garantire l'apprendimento per rinforzo sicuro, traducendo le violazioni in segnali di penalità tramite automi di Büchi e ottimizzando la politica con uno schema Lagrangiano.
Questo lavoro analizza teoricamente e verifica sperimentalmente come la qualità e la scala dei dati influenzino diversamente l'addestramento pre- e post-training dei modelli linguistici, dimostrando che il fine-tuning supervisionato beneficia di piccoli set di esempi difficili mentre il reinforcement learning richiede grandi volumi di dati meno complessi.
Lo studio rivela che i classificatori di sicurezza addestrati su embedding fissi subiscono un collasso catastrofico a causa della deriva delle rappresentazioni nei modelli di ragionamento istruiti, generando fallimenti silenziosi ad alta confidenza e rendendo paradossalmente più difficile proteggere i sistemi allineati rispetto a quelli di base.
Il paper propone due nuovi metodi di regolarizzazione non convessa, LogLOP-l2/l1 e AdaLOP-l1/l2, basati su formulazioni variazionali delle penalità log-sum e MCP per il recupero di segnali blocchi-sparsi con partizioni sconosciute, sviluppando algoritmi ADMM efficienti che superano gli approcci esistenti in termini di accuratezza e compatibilità con diverse funzioni di fedeltà ai dati.
Questo lavoro propone un quadro unificato di ottimizzazione prossimale, accelerabile su GPU e a convergenza lineare, per certificare l'ottimalità nei modelli lineari generalizzati sparsi, superando i limiti computazionali dei metodi esistenti attraverso nuove routine log-lineari e uno schema di riavvio basato sul gap di dualità.
Questo articolo esamina i progressi compiuti tra il 2018 e il 2025 nelle garanzie PAC per l'apprendimento per rinforzo, proponendo il nuovo framework CSO (Copertura-Struttura-Obiettivo) come strumento interpretativo per analizzare la complessità dei campioni, classificare i risultati teorici e fornire strumenti pratici per gli utenti.
Lo studio dimostra che, per la previsione del movimento pedonale in contesti ad alta frequenza, un modello ResLogit che apprende le correlazioni spaziali tramite correzioni residue supera le strutture GEV tradizionali, offrendo un migliore adattamento ai dati e un'interpretazione coerente degli errori.