2952 articoli
Il documento presenta l'approccio ICD3, un metodo interpretabile e robusto che rileva il drift concettuale nei dati sbilanciati identificando e monitorando indipendentemente i concetti minoritari per superare l'effetto di mascheramento causato dalle classi dominanti.
Questo studio propone un quadro di spiegabilità multi-livello per validare la robustezza e la coerenza delle spiegazioni SHAP nei modelli di machine learning per la diagnosi e la prognosi dell'Alzheimer, dimostrando che i marcatori cognitivi e funzionali rimangono indicatori stabili e affidabili attraverso diverse fasi della malattia.
Questo lavoro propone un metodo di collocation adattivo e consapevole della diversità per le Physics-Informed Neural Networks, formulando la selezione dei punti come un problema di ottimizzazione QUBO sparsa basato su grafi e coreset ibridi per migliorare l'efficienza e l'accuratezza nella risoluzione di equazioni differenziali.
Questo studio presenta un framework di machine learning che utilizza l'Operatore di Fourier (FNO) per prevedere in modo efficiente e accurato il flusso stazionario attraverso mezzi porosi, superando i metodi CFD tradizionali in termini di velocità e adattabilità all'ottimizzazione topologica.
Il lavoro propone un'architettura di meta-apprendimento basata su reti neurali convoluzionali grafiche che permette di adattare rapidamente le previsioni del traffico a nuove strutture di rete e pattern di domanda, ottenendo un'accuratezza significativa (R² ≈ 0,85) anche in scenari di interruzione non visti durante l'addestramento.
Questo studio dimostra che l'apprendimento simbolico, grazie alla sua capacità di generare modelli predittivi interpretabili e basati su regole, supera i metodi tradizionali di intelligenza artificiale nel rilevamento dei guasti nei processi chimici, offrendo una soluzione sicura e trasparente anche in assenza di dati reali di fallimento.
Il paper dimostra che le rappresentazioni delle reti neurali possiedono una libertà di gauge sotto trasformazioni lineari invertibili, rendendo misure di similarità come la coseno-dipendenza non invarianti e suggerendo che l'analisi dovrebbe concentrarsi su quantità invarianti o coordinate canoniche.
Il paper presenta l'HGT-Scheduler, un framework di apprendimento per rinforzo che risolve il problema della schedulazione dei lavori (JSSP) modellandolo come un grafo eterogeneo tramite Heterogeneous Graph Transformers, dimostrando che la distinzione esplicita dei tipi di relazioni migliora significativamente le prestazioni rispetto agli approcci che trattano il grafo come omogeneo.
Il paper presenta SpatialMAGIC, un framework ibrido che combina diffusione su grafo e attenzione spaziale per imputare i dati di trascrittomica spaziale, migliorando significativamente l'accuratezza del clustering e la rilevazione di geni differenzialmente espressi rispetto ai metodi esistenti.
Il paper presenta xaitimesynth, un pacchetto Python open source che fornisce un'infrastruttura riutilizzabile per la generazione di serie temporali sintetiche con verità fondamentale nota e per la valutazione di metodi di attribuzione tramite metriche di localizzazione standard.
Il paper propone un modello di diffusione informato dalla fisica basato su Context-UNet per generare immagini satellitari sintetiche di eventi meteorologici estremi, superando la scarsità di dati reali e lo sbilanciamento delle classi attraverso l'uso di parametri atmosferici critici per migliorare i modelli di rilevamento ML.
Il paper introduce l'Optimistic Policy Regularization (OPR), un meccanismo leggero che previene la convergenza prematura negli agenti di deep reinforcement learning preservando le traiettorie storicamente di successo, migliorando così l'efficienza dei campioni e le prestazioni finali su ambienti Atari e di cyber-difesa.
Il paper introduce Best-of-Tails (BoT), un framework di allineamento a tempo di inferenza che adatta dinamicamente la strategia di selezione tra ottimismo e pessimismo in base alla distribuzione delle code dei premi, utilizzando la divergenza di Tsallis e lo stimatore di Hill per migliorare le prestazioni rispetto ai metodi fissi esistenti.
Il paper presenta NEST, un framework di posizionamento dei dispositivi per l'addestramento distribuito di deep learning che unifica la parallelizzazione, la modellazione della topologia di rete e la fattibilità della memoria tramite programmazione dinamica strutturata, ottenendo fino a 2,43 volte una maggiore velocità di elaborazione rispetto alle soluzioni esistenti.
Questo articolo introduce un nuovo quadro teorico per l'apprendimento per rinforzo multi-agente cooperativo con ricompense submodulari, proponendo algoritmi con garanzie provate di efficienza nei campioni e bound sul rimpianto che superano la maledizione della dimensionalità.
Il paper introduce CREDO, un metodo che combina envelope credali interpretabili con la calibrazione conformale per generare intervalli di previsione per la regressione che garantiscono una copertura valida e decomponibile in rumore aleatorio, inflazione epistemica e slack di calibrazione.
Questo articolo presenta un nuovo framework per l'inversione congiunta 3D di gravità e magnetismo basato su flussi rettificati e un regolarizzatore di Ginzburg-Landau, progettato per superare i limiti delle soluzioni deterministiche tradizionali catturando l'intera distribuzione delle possibili densità sotterranee.
Il paper presenta un algoritmo basato su epoche e una corrispondente limite inferiore che caratterizzano il tasso minimax esatto per il regret nel commercio bilaterale contestuale con valutazioni a coda pesante (momento finito ), interpolando tra il tasso non parametrico classico e quello lineare.
Il paper presenta \textbf{\texttt{C3}}, un metodo di assegnazione del credito controfattuale contestuale che risolve il problema della diffusione del segnale di ricompensa nei sistemi multi-agente basati su LLM isolando l'impatto causale dei singoli messaggi tramite replay a continuazione fissa e una baseline leave-one-out, migliorando così le prestazioni terminali e la fedeltà dell'assegnazione del credito.
Il paper introduce IGLU, una nuova funzione di attivazione parametrica basata su una distribuzione di Cauchy che garantisce gradienti non nulli e robustezza, offrendo prestazioni competitive rispetto a ReLU e GELU su diversi benchmark e un'approssimazione efficiente (IGLU-Approx) che riduce i costi computazionali.