3096 articoli
Il paper introduce SmartBench, il primo dataset e benchmark per valutare le capacità dei grandi modelli linguistici (LLM) nel rilevare e gestire stati anomali e contesti comportamentali nelle case intelligenti, rivelando che i modelli attuali mostrano prestazioni insufficienti in questo compito critico.
Il paper introduce HEARTS, un benchmark unificato che valuta le capacità di ragionamento gerarchico dei modelli linguistici su serie temporali sanitarie, rivelando che le attuali LLM faticano a gestire la complessità temporale e le dipendenze a lungo termine rispetto ai modelli specializzati.
Il paper presenta RECAP, una strategia di apprendimento bio-ispirata che combina dinamiche di reservoir non addestrate con un meccanismo di lettura Hebbiano auto-organizzante per ottenere una classificazione di immagini robusta senza ricorrere alla retropropagazione dell'errore.
Questo studio rivela che l'approccio di "unlearning" basato sulla potatura dei pesi nei modelli di diffusione è vulnerabile a un attacco di risveglio dei concetti cancellati, poiché le posizioni dei pesi rimossi fungono da segnale secondario che permette la loro completa ricostruzione senza dati aggiuntivi o riaddestramento.
Il paper introduce SR-TTT, un modello di linguaggio che risolve il problema della perdita di informazioni nei metodi Test-Time Training puri, integrando un meccanismo di memoria residua a gate basato sulla sorpresa per preservare in modo efficiente i token critici mantenendo un footprint di memoria costante.
Questa recensione offre una definizione operativa e una tassonomia del quantum deep learning, analizzando paradigmi, architetture, sfide hardware e applicazioni pratiche per guidare il passaggio dalle dimostrazioni attuali a implementazioni scalabili e fault-tolerant.
Questo articolo presenta un framework di apprendimento federato consapevole della fiducia che utilizza un meccanismo di valutazione e filtraggio adattivo per migliorare la stabilità e l'accuratezza dell'interpretazione delle fasi di guarigione ossea in ambienti e-Health distribuiti, mitigando efficacemente l'impatto di partecipanti inaffidabili o ostili.
Il paper presenta HURRI-GAN, un approccio innovativo basato sulle reti generative avversarie (GAN) che corregge i bias dei modelli fisici di simulazione degli uragani, consentendo previsioni di mareggiate e venti più rapide e accurate anche in aree oltre la portata delle stazioni di rilevamento tradizionali.
Il paper propone la Geodesic Gradient Descent (GGD), un ottimizzatore generico privo di learning rate che approssima la geometria della funzione obiettivo tramite sfere n-dimensionali per garantire che le traiettorie di aggiornamento rimangano sulla superficie, ottenendo risultati superiori rispetto ad Adam su diversi dataset.
Questo studio dimostra che la scelta della tecnica di costruzione del grafo influenza significativamente le prestazioni dei modelli GNN per il rilevamento di botnet IoT, evidenziando che l'uso del grafo di Gabriel, combinato con un autoencoder variazionale per la riduzione dimensionale, raggiunge la massima accuratezza del 97,56% nel dataset N-BaIoT.
Il paper introduce PAG, un nuovo framework per la ricerca approssimata dei vicini più prossimi che integra tecniche di proiezione in un indice grafico per soddisfare simultaneamente le esigenze moderne di efficienza, velocità di indicizzazione, basso consumo di memoria e scalabilità, superando le prestazioni di HNSW.
Il paper presenta EnsAug, un nuovo paradigma di addestramento che utilizza un ensemble di modelli specializzati, ciascuno allenato su una specifica trasformazione geometrica dei dati, per superare i limiti delle tecniche di aumento generiche e raggiungere prestazioni superiori nel riconoscimento di movimenti umani e della lingua dei segni.
Il paper introduce HyperTokens, un metodo basato su un generatore di token che produce prompt su richiesta e utilizza regolarizzatori ispirati al meta-apprendimento e supervisione multimodale ausiliaria per migliorare l'apprendimento continuo nel VideoQA riducendo il dimenticamento e i costi di memoria.
Il paper presenta ERP-RiskBench, un nuovo framework sperimentale sicuro dalle fughe di dati che utilizza un ensemble di apprendimento automatico per migliorare il rilevamento dei rischi finanziari nei sistemi ERP, offrendo un benchmark riproducibile e una valutazione rigorosa delle prestazioni.
Questo articolo presenta un autoencoder CNN non supervisionato, dotato di una funzione di perdita basata sulla distanza angolare spettrale ponderata (WSAD), per l'analisi non distruttiva e l'identificazione automatica dei componenti nei campioni stratificati di dipinti storici, come dimostrato su una sezione trasversale del Polittico di Gand.
Questo articolo dimostra che le Reti Neurali su Grafi (GNN) superano i modelli tradizionali come TabNet nella stima dell'impulso delle particelle muoniche per il trigger CMS, evidenziando come la scelta delle dimensioni delle caratteristiche dei nodi sia cruciale per l'efficienza del modello.
Questo lavoro presenta un modello ibrido di apprendimento few-shot integrato con l'intelligenza artificiale spiegabile (XAI) per diagnosticare con alta precisione e trasparenza le malattie delle foglie di mais, riso e grano anche in condizioni di dati annotati limitati.
Il paper propone PRPO, un metodo di ottimizzazione parallela per risolvere i conflitti di addestramento nei modelli LVLM per l'analisi dei grafici, e MCDR-Bench, una nuova benchmark per la valutazione oggettiva delle capacità di ricerca approfondita, stabilendo un quadro unificato che supera le attuali limitazioni nell'intelligenza dei dati visivi.
Il paper propone una strategia plug-and-play basata su un passo di denoising inverso aggiuntivo e sul campionamento Monte-Carlo (ABMS) per ridurre gli errori di stima nei modelli generativi guidati da SDE, migliorando così la qualità e la coerenza della generazione condizionata in diversi scenari applicativi.
Questo lavoro presenta un nuovo framework di apprendimento non supervisionato basato su filtri convoluzionali e reti neurali che, pur in assenza di dataset di addestramento e in condizioni di forte rumore, permette una ricostruzione ad alta fedeltà delle immagini del fascio e una risoluzione senza precedenti della struttura dell'alone nei diagnostici di acceleratori di particelle.