13028 articoli
Questo lavoro introduce MSNet e LS-Net, due architetture scalabili che integrano rappresentazioni multiple e multi-scala per migliorare accuratezza, calibrazione ed efficienza nella classificazione delle serie temporali, come dimostrato da una valutazione su 142 dataset.
Questo lavoro stabilisce un quadro teorico che collega l'apprendimento delle reti neurali alle strutture algebriche astratte, dimostrando come l'introduzione del semianello ternario Gamma permetta di raggiungere una generalizzazione perfetta allineando le rappresentazioni apprese a specifici assiomi algebrici e inaugurando il nuovo campo della "Computational -Algebra".
Questo articolo propone un metodo basato su reti neurali ipergrafiche (HNN) per risolvere problemi di programmazione intera con obiettivi polinomiali, utilizzando una rappresentazione ipergrafica avanzata e un processo di ricerca per ottenere soluzioni superiori rispetto agli approcci esistenti e ai solver più all'avanguardia.
Questo articolo propone un framework di deep learning generale che, introducendo un insieme di supporto per modellare le variabili discrete come distribuzioni di probabilità, risolve le sfide degli algoritmi esistenti nell'allocazione delle risorse wireless sotto vincoli discreti, garantendo gradienti non nulli, l'applicazione flessibile dei vincoli e la proprietà non-SPSD, con risultati superiori in scenari come l'associazione degli utenti e il posizionamento delle antenne.
Il paper propone TaCT, un framework di fine-tuning interpretabile che migliora le previsioni meteorologiche estreme come i tifoni identificando e adattando selettivamente concetti interni specifici dei casi di fallimento, garantendo al contempo prestazioni stabili per gli eventi comuni.
Questo studio presenta un modello matematico di cinque equazioni di reazione-diffusione accoppiate per la terapia batterica del cancro, ne dimostra la ben posta globalità e ne analizza la stabilità, utilizzando reti neurali informate dalla fisica (PINN) per simulare la dinamica tumorale e concludere che il controllo a lungo termine richiede il mantenimento di regioni ipossiche o l'uso di batteri più tolleranti all'ossigeno.
Il paper introduce FalconBC, un framework di inferenza ammortizzata basato sul flusso probabilistico che permette di stimare le condizioni al contorno fisiologiche in modelli cardiovascolari personalizzati, superando i limiti degli approcci attuali in scenari con flussi noti o anatomie affette da lesioni vascolari.
Questo studio introduce OXRL, un framework unificato che dimostra come le prestazioni degli algoritmi di post-allineamento siano fortemente dipendenti dalla scala del modello e dal dominio del compito, rivelando inversioni di classifica e guadagni trascurabili derivanti da modifiche alla funzione di perdita.
Il paper propone DAPA, una funzione di attivazione a tratti consapevole della distribuzione che, sfruttando un'approssimazione non uniforme e una quantizzazione ottimizzata, accelera il calcolo GELU e riduce l'utilizzo delle risorse hardware per l'inferenza e l'addestramento di modelli Transformer su dispositivi edge, mantenendo prestazioni competitive.
Questo paper propone l'uso di funzioni di aggregazione non lineari apprendibili, come i neuroni F-Mean e Gaussian Support, per sostituire la tradizionale somma pesata, dimostrando che tali meccanismi ibridi migliorano significativamente la robustezza delle reti neurali al rumore senza comprometterne l'addestrabilità.