13021 articoli
Il paper presenta APPLE, un nuovo framework basato sul reinforcement learning che addestra congiuntamente un modulo percettivo e una politica decisionale per risolvere in modo generale e versatile problemi di percezione attiva in robotica, superando i limiti delle metodologie attuali legate a compiti specifici.
Questo lavoro affronta le distorsioni e gli errori di modellazione nei dati multimodali proponendo un approccio che isometrizza la struttura Riemanniana appresa e bilancia regolarità ed espressività delle parametrizzazioni di diffeomorfismo, migliorando così l'analisi dei dati non lineari attraverso flussi normalizzanti.
Il paper propone un nuovo framework per la selezione delle caratteristiche che combina un'architettura encoder-decoder con invarianza alla permutazione e un agente di apprendimento per rinforzo basato su policy, superando le limitazioni delle embedding continue sensibili all'ordine e delle ipotesi di convessità per ottimizzare l'esplorazione dello spazio delle soluzioni.
Attraverso interviste a 11 professionisti di grandi aziende tecnologiche, questo studio analizza le sfide pratiche nell'integrare l'equità nei sistemi di raccomandazione e offre raccomandazioni concrete per migliorare la collaborazione interdisciplinare e i flussi di lavoro tecnici.
Il paper presenta Agentic Predictor, un modello leggero che utilizza un encoding multi-vista e un pre-addestramento non supervisionato per prevedere con precisione le prestazioni dei flussi di lavoro agenziali basati su LLM, riducendo così la necessità di costose valutazioni empiriche.
Il paper propone REA-RL, un metodo di apprendimento per rinforzo online che utilizza un modello di riflessione e una ricompensa specifica per ridurre i costi di inferenza dei modelli di ragionamento senza comprometterne le prestazioni, bilanciando efficienza e capacità di riflessione.
Questo lavoro esplora la relazione tra apprendimento per imitazione e ottimizzazione inversa nei processi decisionali di Markov, proponendo un quadro regolarizzato che incorpora credenze a priori per risolvere l'indeterminatezza dell'apprendimento da esperti subottimali e risolvendo il problema risultante tramite discesa speculare stocastica.
Questo articolo analizza la continuità di Lipschitz delle funzioni di aggregazione per insiemi e delle reti neurali che le utilizzano, derivando limiti superiori per le loro costanti di Lipschitz, studiando la loro stabilità e generalizzazione, e validando i risultati teorici attraverso esperimenti empirici.
Il documento presenta iS-QL, un metodo di apprendimento per rinforzo che condivide i parametri tra la rete online e quella target tranne l'ultimo strato lineare, colmando il divario prestazionale tra approcci con e senza target e migliorando l'efficienza dei campioni grazie all'apprendimento iterato delle Q-value.
Il paper propone un approccio di apprendimento e stima quantistica, basato su un modello ibrido Q-TCN-LSTM e sull'estimazione dell'ampiezza quantistica, per ottimizzare la coordinazione tra reti di distribuzione e comunità energetiche, migliorando significativamente l'accuratezza e riducendo il carico computazionale rispetto ai metodi classici.
Il paper presenta CoMind, un sistema multi-agente che sfrutta la conoscenza collettiva di una comunità di ricerca simulata per ottenere risultati all'avanguardia, superando la maggior parte dei concorrenti umani nelle competizioni Kaggle.
Questo lavoro illustra l'uso delle Macchine a Boosting Esplicabili (EBM) in un approccio di Machine Learning guidato dalla conoscenza per identificare le sommità sovrastanti (overshooting tops) nelle immagini satellitari, dimostrando come sia possibile sviluppare algoritmi interpretabili che integrano strategie umane per migliorare l'affidabilità nelle previsioni meteorologiche ad alto rischio.
Il paper presenta pFedMMA, un innovativo framework di apprendimento federato personalizzato che utilizza adattatori multi-modali per ottimizzare i modelli visione-linguaggio su dati decentralizzati, ottenendo un equilibrio superiore tra personalizzazione e generalizzazione rispetto ai metodi esistenti.
Il paper propone nuovi metodi di previsione conformale per la classificazione a code lunghe che bilanciano efficacemente la dimensione degli insiemi di previsione e la copertura condizionale per classe, superando il compromesso tradizionale tra insiemi piccoli ma inaffidabili e insiemi troppo grandi.
Questo lavoro propone un framework di meta-apprendimento che, rispetto agli algoritmi DRL tradizionali come PPO, permette un'allocazione dello spettro più rapida, efficiente e sicura nelle reti wireless dinamiche, migliorando significativamente il throughput e riducendo le violazioni di qualità del servizio.
Questo articolo dimostra che l'Analisi delle Componenti Indipendenti (ICA) può essere utilizzata per stimare in modo coerente ed efficiente gli effetti del trattamento, sfruttando le stesse condizioni di momento dell'Apprendimento Automatico Ortogonale (OML) ma con prestazioni superiori in termini di efficienza del campione anche in presenza di confondenti gaussiani e effetti di disturbo non lineari.
Questo lavoro propone un metodo per l'apprendimento rapido di modelli 3D di veicoli spaziali non cooperativi che utilizza un'inizializzazione basata su primitive generate da una CNN per ridurre drasticamente i costi computazionali e la dipendenza da pose precise, rendendo così fattibile l'uso della sintesi di nuove viste in ambito spaziale.
Questo paper propone un framework ad alta efficienza dati che trasforma i modelli linguistici multimodali generativi in modelli di embedding discriminativi zero-shot, utilizzando prompt di embedding gerarchici e un campionamento di negativi difficili auto-consapevole per superare i limiti del pre-addestramento contrastivo e delle false negative.
Il paper presenta AMBER-AFNO, un nuovo modello leggero per la segmentazione 3D di immagini mediche che sostituisce l'attenzione self-attention con operatori neurali Fourier adattivi per ottenere una complessità computazionale quasi lineare e prestazioni all'avanguardia su dataset pubblici.
Il paper presenta FeynTune, una serie di 20 modelli linguistici specializzati per la fisica teorica delle alte energie, ottenuti tramite l'adattamento fine di Llama-3.1 su abstract di arXiv, che superano il modello base e i principali LLM commerciali nel completamento di testi di fisica teorica.