13021 articoli
Il paper propone un quadro basato su Processi Gaussiani Decondizionati (DGP) per l'inferenza causale con variabili strumentali e proxy, colmando la lacuna nella quantificazione dell'incertezza epistemica e offrendo una soluzione unificata che garantisce precisione predittiva, selezione del modello e stime di incertezza ben calibrate in presenza di confondimento non osservato.
Questo lavoro propone un controller di iniezione di sottospazio serbatoio (RSI) che, mitigando l'effetto di espulsione delle direzioni di passaggio causato dalla sbiancatura top-, ripristina le prestazioni dell'analisi delle componenti indipendenti online e ne migliora l'efficacia in scenari di miscelazione non lineare.
Il paper introduce i SE-RRM, un modello di ragionamento ricorrente che garantisce l'equivarianza simbolica a livello architetturale, migliorando le prestazioni e la capacità di generalizzazione su problemi come Sudoku e ARC-AGI rispetto ai modelli precedenti, pur utilizzando meno dati e parametri.
Il paper propone un metodo di controllo delle politiche basato sulla conformalità che, utilizzando una politica di riferimento sicura per regolare l'esplorazione di nuove strategie, garantisce limiti di rischio provati e prestazioni migliorate in ambienti ad alto rischio senza richiedere assunzioni sul modello o iperparametri.
Questo lavoro propone un metodo per l'inferenza conformale selettiva in contesti interventivi, combinando una teoria di copertura robusta alla contaminazione con un apprendimento causale parziale mirato a identificare le variabili non influenzate, garantendo così una copertura valida anche quando la struttura causale è sconosciuta.
Il presente lavoro dimostra che l'ottimizzazione dei parametri orbitali delle costellazioni satellitari tramite l'ottimizzazione bayesiana e gli algoritmi genetici permette di massimizzare significativamente i tassi di generazione di entanglement per una rete quantistica globale rispetto agli approcci naive.
Questo articolo presenta NQSVDD, un framework ibrido classico-quantistico per la classificazione one-class che integra reti neurali classiche con circuiti quantistici variationali per ottenere prestazioni competitive o superiori rispetto ai metodi esistenti, mantenendo efficienza parametrica e robustezza sui dispositivi NISQ.
Questo studio ridefinisce la progettazione delle reti neurali quantistiche passando dalla semplice raggiungibilità degli stati alla geometria controllabile delle rappresentazioni nascoste, introducendo il criterio di quasi completa selettività locale (aCLS) per dimostrare che l'apprendimento delle caratteristiche richiede una dipendenza congiunta tra dati e pesi addestrabili, garantendo così migliori prestazioni con minori risorse computazionali.
Questo articolo propone e valuta un nuovo metodo di aumento dei dati basato sull'interpolazione di classi miste tramite CycleGAN (C2GMA) per generare immagini non visibili a partire da quelle visibili, migliorando significativamente l'accuratezza della classificazione nel dominio SAR rispetto alle strategie tradizionali.
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.