12798 articoli
Questo lavoro presenta tecniche costruttive e pratiche per definire, calcolare e campionare processi gaussiani stazionari su spazi non euclidei derivanti da simmetrie, con un focus specifico sul caso compatto, rendendo tali modelli accessibili agli strumenti computazionali standard.
Questo articolo propone uno schema di rilevamento dei guasti per pannelli solari fotovoltaici basato su una rete neurale convoluzionale (CNN) addestrata, che raggiunge un'accuratezza del 91,1% nella classificazione binaria e dell'88,6% nella classificazione multi-classe, superando le prestazioni di studi precedenti.
Questo articolo presenta un nuovo framework di analisi delle correlazioni dei residui per valutare l'ottimalità dei modelli di deep learning spaziotemporali in presenza di dati mancanti ed eterogenei, consentendo l'identificazione precisa delle regioni dove le prestazioni predittive possono essere migliorate.
Il paper propone TimeMAE, un framework di apprendimento auto-supervisionato che migliora la rappresentazione delle serie temporali segmentando i dati in unità semantiche e utilizzando un autoencoder mascherato disaccoppiato per superare i limiti dei metodi esistenti, ottenendo prestazioni superiori in scenari con scarsità di etichette.
Questo articolo dimostra che l'ottimizzazione basata sul consenso (CBO) può essere interpretata come una rilassazione stocastica della discesa del gradiente, spiegando così il suo successo nel superare le barriere energetiche nelle funzioni non convesse e rivelando una natura intrinseca di discesa del gradiente anche nei metodi privi di derivata.
Questo lavoro analizza la struttura geometrica delle reti neurali ReLU sottoparametrizzate, proponendo un metodo costruttivo per la minimizzazione del costo che fornisce un limite superiore e identifica minimi locali esatti senza ricorrere alla discesa del gradiente.
Il paper propone DRL-ORA, un nuovo framework di apprendimento per rinforzo distributivo che unifica le incertezze epistemiche e aleatorie e adatta dinamicamente i livelli di rischio online tramite minimizzazione della variazione totale, superando le prestazioni dei metodi esistenti in compiti critici per la sicurezza.
Questo paper propone il principio "Dispatcher/Esecutore" per l'apprendimento per rinforzo multi-compito, sostenendo che la partizione strutturale del controllore e la comunicazione regolarizzata migliorino la generalizzazione e l'efficienza dei dati, offrendo un approccio complementare alla semplice scalabilità dei modelli.
Questo articolo propone HALO, un paradigma di allineamento basato sull'analisi ormetica dei processi antagonisti comportamentali, per risolvere il problema del caricamento dei valori e prevenire scenari catastrofici come quello del "massimizzatore di graffette" regolando le frequenze delle azioni dell'IA in base alla loro utilità marginale decrescente.
Il paper affronta il problema dell'iper-ottimizzazione della ricompensa nei modelli di diffusione identificando i bias induttivi temporali e di primacy come cause principali, proponendo quindi l'algoritmo TDPO-R che sfrutta il bias induttivo temporale e resetta i neuroni attivi del critic per mitigare tale fenomeno e migliorare l'allineamento con le preferenze umane.
Il paper propone un nuovo metodo di embedding spettrale basato su kernel e operatori integrali "duo-landmark" per integrare dataset ad alta dimensionalità e rumorosi, dimostrando teoricamente la sua consistenza nel recuperare strutture latenti condivise e superiorità empirica rispetto alle tecniche esistenti in ambiti come la genomica a cellula singola.
Questo studio introduce nuove misure di informazione spettrale-correlata per quantificare l'efficienza di codifica delle popolazioni neuronali, applicandole a dati biologici per rivelare differenze nell'efficienza di codifica e dimostrandone l'efficacia nell'addestramento di reti neurali ricorrenti tramite apprendimento auto-supervisionato, favorendo così l'emergere di cellule di luogo e di direzione della testa.
Questo articolo presenta un metodo innovativo per valutare le prestazioni e la generalizzabilità di nuovi modelli di intelligenza artificiale calcolando le correlazioni neuronali tra reti diverse, offrendo un approccio leggero per la validazione esterna e l'efficienza della memoria.
Il paper introduce COLA, un framework post-hoc che ottimizza le spiegazioni controfattuali sparse calcolando un accoppiamento tramite trasporto ottimo e utilizzando attribuzioni Shapley per ridurre drasticamente il numero di modifiche necessarie mantenendo l'effetto target.
Questo articolo propone il "Dyadic Block Sketching", un nuovo approccio multi-scala per i banditi lineari che supera i limiti delle tecniche di sketching tradizionali adattando dinamicamente la dimensione dello sketch per garantire regret sublineare senza richiedere conoscenze preliminari sulle proprietà della matrice.
Questo lavoro propone il primo metodo per l'oblio delle etichette nel Vertical Federated Learning, utilizzando un meccanismo di mixup a livello di rappresentazione per generare embedding sintetici che consentono la rimozione efficace delle informazioni sensibili senza compromettere le prestazioni sui dati rimanenti.
Questo lavoro dimostra che è possibile ottenere una scalabilità polinomiale nell'approssimazione di operatori neurali per famiglie strutturate di equazioni differenziali stocastiche retroattive non markoviane, superando i limiti esponenziali tipici grazie a un'architettura che incorpora bias induttivi specifici derivati dalla funzione di Green e dall'esponenziale di Doléans-Dade.
Il paper propone SDPO, un nuovo framework di apprendimento per rinforzo che allinea i modelli di diffusione a pochi passi agli obiettivi specifici tramite un campionamento a doppio stato e un'apprendimento della differenza di ricompensa densa, superando così le limitazioni dei metodi RL esistenti in termini di qualità del campione e stabilità dell'ottimizzazione.
Questo studio presenta un modello di diffusione ricorrente a super-risoluzione (SRDM) che, superando i limiti temporali dei dati climatici tradizionali, genera previsioni ad alta risoluzione per quantificare con precisione l'impatto dei cambiamenti climatici sulla generazione di energia eolica e fotovoltaica in scenari futuri.
Questo lavoro propone G-NLL, una misura di incertezza teoricamente fondata basata sulla sola sequenza generata tramite decoding greedy, che supera i metodi esistenti più costosi dal punto di vista computazionale mantenendo prestazioni all'avanguardia.