2294 articoli
Il paper introduce GenGNN, un framework modulare basato su message-passing che dimostra come encoder espressivi complessi non siano strettamente necessari per la generazione di grafi discreti, ottenendo validità e velocità di inferenza superiori rispetto ai modelli basati su transformer.
Il paper presenta MASEval, un framework-agnostic che estende la valutazione dei sistemi multi-agente dall'analisi dei soli modelli a quella dell'intero sistema, dimostrando come le scelte implementative abbiano un impatto sulle prestazioni pari a quella della scelta del modello.
Questo articolo dimostra teoricamente ed empiricamente che i modelli ibridi, combinando Transformer e modelli a spazio di stato, superano i limiti di espressività ed efficienza dei modelli non ibridi, offrendo prestazioni superiori con meno parametri, una migliore generalizzazione e una maggiore robustezza.
Il paper propone APPLV, un metodo che utilizza modelli visione-linguaggio-azione per apprendere in modo adattivo i parametri di pianificatori classici, migliorando così la navigazione autonoma e la generalizzazione in ambienti complessi rispetto alle tecniche esistenti.
Uno studio sperimentale su una rete 5G privata dimostra che i modelli basati esclusivamente sulle caratteristiche del canale sovrastimano sistematicamente la velocità di trasmissione a causa di errori nella previsione dei livelli MIMO, mentre un approccio basato su dati reali tramite regressione a processi gaussiani offre previsioni di throughput end-to-end significativamente più accurate.
Il paper propone FSbuHD, un nuovo modello di selezione delle caratteristiche basato sulla teoria degli insiemi fuzzy-rough per sistemi informativi ibridi, che supera le limitazioni computazionali e il rumore dei metodi tradizionali riformulando il problema come un'ottimizzazione risolvibile tramite algoritmi meta-euristici e operando in modalità normale e ottimista.
Questo lavoro presenta un'analisi esaustiva di nove famiglie di limiti per la previsione selettiva e introduce il "Transfer-Informed Betting" (TIB), un metodo innovativo che combina sequenze di scommesse basate su martingale con il trasferimento di conoscenza tra domini per ottenere garanzie di rischio più strette in scenari con dati scarsi, dimostrando superiorità empirica su diversi benchmark rispetto ai metodi conformali e alle tecniche esistenti.
Il paper propone FedLECC, una strategia di selezione dei client per l'Apprendimento Federato che, combinando la similarità nella distribuzione delle etichette e la perdita locale, migliora significativamente l'accuratezza e riduce l'overhead di comunicazione in scenari con dati non-IID.
Questo lavoro presenta un quadro di valutazione multivettore per quantificare i rischi di memorizzazione e privacy nei modelli linguistici genomici, dimostrando che tali modelli possono memorizzare sequenze sensibili e sottolineando la necessità di un'audit della privacy integrato per garantire la conformità normativa.
Questo lavoro propone il primo approccio completamente differenziabile per scoprire le "Strong Lottery Tickets" utilizzando porte di Bernoulli rilassate in modo continuo, permettendo di ottenere reti neurali sparse fino al 90% con perdita minima di accuratezza attraverso l'ottimizzazione end-to-end dei parametri di gating senza modificare i pesi inizializzati.
Il paper presenta MedCBR, un nuovo framework di ragionamento basato su concetti che integra le linee guida cliniche nei modelli visione-linguaggio per migliorare l'interpretabilità e l'affidabilità delle diagnosi mediche attraverso la generazione di narrazioni cliniche strutturate.
Questo articolo propone un framework di apprendimento per rinforzo gerarchico che, sfruttando un gemello digitale della rete, ottimizza congiuntamente la strategia di raccolta dati e l'aggiustamento dell'inclinazione delle antenne per massimizzare i tassi di dati degli utenti riducendo al contempo la latenza di comunicazione.
Il paper presenta "Guardian", un sistema di supporto decisionale che combina catene di Markov interpretabili, apprendimento per rinforzo e modelli linguistici di grandi dimensioni per generare piani di ricerca ottimali e verificabili per la localizzazione di minori scomparsi entro le prime 72 ore.
Il paper introduce BiCLIP, un framework semplice ed efficiente che migliora l'adattamento ai domini specifici per i modelli visione-linguaggio applicando una trasformazione geometrica strutturata ai feature multimodali, ottenendo risultati all'avanguardia su 11 benchmark.
Il paper propone ULFS-KDPE, un nuovo stimatore di plug-in corretto per il bias basato su un sottomodello sfavorevole universale in spazi RKHS, che garantisce efficienza semiparametrica e stabilità numerica per parametri differenziabili senza richiedere la derivazione esplicita delle funzioni di influenza efficienti.
Questa tesi affronta il problema della sovrastima della certezza nelle inferenze basate su simulazioni scientifiche, introducendo e validando empiricamente due approcci per migliorare l'affidabilità dei modelli: la tecnica di regolarizzazione "balancing" e l'uso di reti neurali bayesiane con un prior specifico.
Il documento presenta "Guardian", un sistema end-to-end basato su un pipeline multi-LLM che, attraverso l'uso di modelli specializzati, un motore di consenso e il fine-tuning QLoRA, supporta le indagini su persone scomparse e la pianificazione delle ricerche con un approccio conservativo e verificabile.
Questo articolo offre una panoramica delle tecniche di apprendimento per rinforzo come estensione dinamica e flessibile dei metodi di programmazione dinamica per gli economisti, illustrandone i vantaggi nella risoluzione di modelli ad alta dimensionalità e le limitazioni pratiche legate alla necessità di simulatori accurati e alla mancanza di garanzie di convergenza globale.
Il paper introduce la disuguaglianza , un criterio predittivo che dimostra come le architetture Mixture-of-Experts subiscano una "doppia penalità" strutturale durante l'inferenza a causa della frammentazione della memoria e del routing, rendendole spesso meno efficienti rispetto a modelli densi di qualità equivalente, specialmente in contesti lunghi.
Il paper introduce SLoD, un framework che utilizza la diffusione del kernel di calore su varietà iperboliche per controllare in modo continuo il livello di dettaglio semantico nelle rappresentazioni della conoscenza, permettendo di rilevare automaticamente i confini gerarchici naturali nei grafi senza supervisione.