13057 articoli
Il paper presenta VERDICT, un framework multi-agente collaborativo che simula un collegio giudicante per migliorare la predizione delle sentenze legali attraverso un processo verificabile di revisione e un sistema di memoria ibrida che si adatta all'evoluzione della giurisprudenza.
Il paper presenta KD-Brain, un framework di apprendimento grafico basato su conoscenze a priori che supera le limitazioni dei metodi Transformer nel modellare le interazioni tra sottoreti cerebrali per la diagnosi dei disturbi mentali, ottenendo prestazioni all'avanguardia e identificando biomarcatori interpretabili.
Il paper propone GT-Space, un framework scalabile per la percezione collaborativa eterogenea che allinea le feature degli agenti diversi in uno spazio comune basato sulle ground truth, eliminando la necessità di addestramenti specifici per coppie e migliorando l'accuratezza della rilevazione.
Il paper presenta MemReward, un framework basato su memoria esperienziale a grafo che utilizza un GNN per propagare le ricompense su rollouts non etichettati, permettendo l'addestramento efficiente di LLM tramite reinforcement learning con una frazione minima di etichette umane.
Il paper introduce LeWorldModel (LeWM), la prima architettura JEPa che addestra in modo stabile e end-to-end direttamente dai pixel utilizzando solo due termini di perdita, riducendo drasticamente la complessità iperparametrica e i tempi di addestramento rispetto alle alternative esistenti, pur mantenendo prestazioni competitive nel controllo e nella rappresentazione di strutture fisiche.
Il paper presenta DPxFin, un nuovo framework federato che integra una privacy differenziale adattiva basata sulla reputazione per migliorare la rilevazione del riciclaggio di denaro proteggendo i dati finanziari sensibili senza compromettere l'accuratezza del modello.
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.