12920 articoli
Il paper propone SEAnet, una nuova architettura di deep learning basata sulla tecnica di approssimazione per embedding profondo (DEA) e su strategie di campionamento innovative, che supera i limiti degli indici SAX esistenti offrendo risultati superiori nella ricerca di similarità per serie temporali massive e rumorose.
Il paper presenta PhysFormer, un modello generativo che integra direttamente i processi fisici nella sua architettura per garantire coerenza fisica e stabilità numerica nella sintesi spettrale di sistemi complessi, superando i limiti delle reti neurali informate dalla fisica tradizionali.
Il paper propone CoCoA, un nuovo paradigma di pre-addestramento basato sulla ricostruzione del contenuto tramite attenzione collaborativa che supera i limiti delle architetture MLLM tradizionali per generare rappresentazioni multimodali più compatte e informative, migliorando significativamente le prestazioni nei compiti di embedding.
Questo lavoro introduce Spoof-SUPERB, un benchmark che valuta sistematicamente 20 modelli di apprendimento auto-supervisionato per la rilevazione di deepfake audio, rivelando che i grandi modelli discriminativi pre-addestrati multilingue offrono le prestazioni e la robustezza migliori rispetto agli approcci generativi.
Il paper presenta un meccanismo di sicurezza a tempo di inferenza per i modelli linguistici di codice che, sfruttando la generazione aumentata dal recupero di discussioni di sicurezza da Stack Overflow, revisiona il codice generato per migliorarne la trasparenza, la robustezza e l'allineamento alla sicurezza senza necessità di riaddestramento.
Questo studio dimostra che un algoritmo di discesa del gradiente di primo ordine, arricchito da un inizializzazione spettrale dipendente dai dati e da un precondizionatore strutturale, converge geometricamente alla soluzione globale ottimale per un layer di auto-attenzione softmax addestrato su regressione lineare.
Questo studio introduce un quadro teorico basato sulla teoria della distorsione del tasso per analizzare i compromessi tra accuratezza e robustezza nella visione artificiale e biologica, rivelando che, sebbene entrambi i sistemi seguano principi di compressione, gli esseri umani mostrano trade-off più flessibili rispetto alle reti neurali profonde, che operano in regimi più rigidi e fragili.
Questo articolo propone un approccio "Jump Like A Squirrel" che ottimizza l'ordine di esecuzione dei singoli passi negli alberi decisionali per trasformare le foreste casuali in algoritmi "anytime", permettendo di ottenere previsioni di qualità crescente anche con tempo di esecuzione limitato, con la "Backward Squirrel Order" che si dimostra una soluzione euristica quasi ottimale.
Il paper propone un framework di apprendimento automatico basato su Generative Flow Networks che, integrando un buffer di esperienza, una politica esplorativa uniforme e un mascheramento delle azioni basato sulla fisica, supera i limiti computazionali del ray tracing tradizionale per la modellazione della propagazione radio, garantendo velocità di calcolo fino a 1000 volte superiori mantenendo alta accuratezza.
Questo lavoro presenta un metodo di reti neurali randomizzate (RaNN) per risolvere efficientemente equazioni differenziali parziali su superfici statiche ed evolutive, evitando la complessità del rimeshing e garantendo alta precisione attraverso una formulazione a parametri fissi risolta con problemi ai minimi quadrati.
Il paper propone CoCP, un framework di ottimizzazione congiunta che apprende intervalli di previsione adattivi e più compatti rispetto ai metodi standard, garantendo al contempo la validità marginale finita e avvicinandosi asintoticamente all'intervallo condizionale di lunghezza minima.
Questo lavoro presenta un framework di auto-modellazione visiva interpretabile basato su curve di Bézier e equazioni differenziali ordinarie neurali che permette ai robot continui di controllare la propria geometria e il posizionamento dell'effettore finale in modo consapevole dell'ambiente, superando le limitazioni dei metodi end-to-end tradizionali.
Il paper propone il CHLU (Causal Hamiltonian Learning Unit), un nuovo primitivo di apprendimento profondo basato su una struttura hamiltoniana relativistica e integrazione simplettica, progettato per risolvere il compromesso tra stabilità e memoria nei modelli temporali conservando il volume dello spazio delle fasi e dimostrando capacità generative su MNIST.
Il paper presenta D3LM, un modello linguistico a diffusione discreto che unifica l'apprendimento bidirezionale e la generazione del DNA, superando le limitazioni dei modelli autoregressivi e ottenendo prestazioni superiori sia nella comprensione che nella generazione di elementi regolatori.
Questo articolo presenta un nuovo framework basato sulle Generative Flow Networks (GFlowNets) per trovare i percorsi più brevi in grafi non aciclici, dimostrando teoricamente che la minimizzazione del flusso totale garantisce il tracciamento di percorsi ottimali e validando sperimentalmente l'efficacia del metodo su ambienti di permutazione e sul cubo di Rubik.
Il paper propone il PH-VAE, un nuovo modello generativo che integra le distribuzioni di tipo fase nel decoder per catturare in modo flessibile e adattivo le code pesanti e le dipendenze multivariate nei dati reali, superando i limiti degli approcci VAE tradizionali basati su distribuzioni parametriche fisse.
Questo studio presenta un ampio benchmark che dimostra come modelli ibridi, in particolare la combinazione di Variable Selection Networks e LSTM, superino le architetture lineari e generiche nel massimizzare il rapporto di Sharpe e nella gestione del rischio su un dataset di futures giornalieri dal 2010 al 2025.
Il paper propone il metodo DenoiseBid, un approccio bayesiano che corregge le stime incerte di CTR e CVR nei sistemi di autobidding per e-commerce, sostituendo i valori rumorosi con distribuzioni recuperate per migliorare l'efficienza delle aste, come dimostrato da esperimenti su dataset sintetici e reali.
Lo studio rivela che l'affidabilità dei grandi modelli linguistici nelle scienze dei materiali dipende criticamente dal tipo di output richiesto, mostrando come il fine-tuning migliori la coerenza per i compiti simbolici ma non per quelli numerici, e che l'estrazione diretta degli embedding intermedi può superare i limiti delle risposte testuali, pur evidenziando significative variazioni di prestazioni nel tempo che minacciano la riproducibilità scientifica.
Il paper introduce CPS, un approccio privo di gradienti per risolvere problemi inversi di diffusione che riformula il compito come ottimizzazione vincolata per cercare attivamente particelle ottimali senza richiedere la conoscenza completa del processo di osservazione.