2294 articoli
Il paper propone MAcPNN, un paradigma di apprendimento mutualistico decentralizzato basato sulla teoria socioculturale di Vygotsky e su reti neurali progressive continue (cPNN) che ottimizza l'analisi dei flussi di dati IoT con dipendenze temporali riducendo le comunicazioni tra dispositivi e mitigando il fenomeno del "catastrophic forgetting".
Il documento presenta un approccio assiomatico ai processi decisionali di Markov robusti su spazi di Borel con distribuzioni di disturbo sconosciute, dimostrando che l'uso di insiemi di ambiguità basati su distanze empiriche garantisce la convergenza verso il valore ottimo vero e fornisce limiti di prestazione fuori campione con alta probabilità per dimensioni campionarie finite, superando le carenze dei processi decisionali empirici standard.
Il paper introduce MAPLE, un nuovo paradigma di addestramento che integra modelli di ricompensa del processo medico (Med-RPM) con l'apprendimento per rinforzo a tempo di test (TTRL) per sostituire l'affidamento alla votazione maggioritaria con una supervisione guidata dall'accuratezza clinica, migliorando significativamente le prestazioni dei modelli di intelligenza artificiale medica.
Questo libro propone un quadro statistico che interpreta i modelli generativi, in particolare il flow matching, come strumenti per l'apprendimento non parametrico di distribuzioni ad alta dimensionalità, permettendo di integrarli in inferenze causali e analisi di dati mancanti garantendo la validità statistica attraverso tecniche di ortogonalizzazione e cross-fitting.
Il paper propone Normalized Flow Matching (NFM), un nuovo metodo che distilla l'accoppiamento quasi-deterministico di modelli di Flussi Normalizzanti preaddestrati per addestrare modelli di Flow Matching studenti, ottenendo prestazioni superiori sia rispetto ai tradizionali accoppiamenti indipendenti o di trasporto ottimo, sia rispetto al modello insegnante stesso.
Questo lavoro propone una misura di piattezza esatta e fedele all'architettura per le CNN, derivando un'espressione in forma chiusa per la traccia dell'Hessiano e specializzandola per i livelli convoluzionali, dimostrando empiricamente la sua efficacia come strumento robusto per stimare le prestazioni di generalizzazione e guidare la progettazione dei modelli.
Il paper presenta CALIPER, un metodo basato esclusivamente sui dati e indipendente dal modello che stima la dimensione minima del campione post-drift necessaria per un riaddestramento stabile, superando le strategie fisse e gli aggiornamenti incrementali in diversi domini.
Il paper introduce EPIC, un framework di apprendimento automatico scientifico distribuito che, combinando guida hardware e fisica, riduce drasticamente latenza e consumo energetico mantenendo l'accuratezza fisica attraverso la trasmissione di caratteristiche latenti compatte invece dei dati grezzi.
Il paper introduce SCALAR, un framework bidirezionale che combina la pianificazione simbolica guidata da LLM con l'apprendimento per rinforzo profondo per iterativamente affinare le specifiche delle abilità e migliorare l'agente nel grounding del linguaggio verso il controllo di basso livello, ottenendo risultati significativi sul benchmark Craftax.
Il paper presenta FlexServe, un sistema di inferenza per LLM su dispositivi mobili che sfrutta l'isolamento flessibile delle risorse (Flex-Mem e Flex-NPU) all'interno di ARM TrustZone per garantire sicurezza e alte prestazioni, ottenendo significativi miglioramenti nella velocità di generazione rispetto a soluzioni esistenti.
Il paper presenta Sentinel, un agente AI autonomo che supera i limiti di scalabilità della sorveglianza clinica tradizionale analizzando i dati dei pazienti remoti con una sensibilità superiore a quella dei singoli medici e a un costo irrisorio, offrendo così una soluzione praticabile per ridurre la mortalità.
Il paper propone Sim2Act, un framework robusto per l'apprendimento simulazione-decisione che combina una calibrazione avversariale e una strategia di perturbazione relativa ai gruppi per migliorare l'affidabilità delle politiche in contesti critici come le catene di approvvigionamento, superando i limiti degli approcci esistenti che spesso sacrificano azioni ad alto rischio e alto rendimento.
Il paper propone "Quality over Quantity" (QoQ), un metodo sistematico che utilizza le funzioni di influenza per identificare e selezionare automaticamente le dimostrazioni di addestramento più efficaci nel robot learning, migliorando le prestazioni della politica rispetto ai metodi di selezione dati precedenti sia in simulazione che nel mondo reale.
Questo articolo propone un innovativo framework di apprendimento attivo adattivo, basato su un modello di degradazione di Wiener e uno schema di campionamento a due stadi, che migliora significativamente l'accuratezza della previsione dell'affidabilità online dell'elettronica satellitare riducendo al contempo i requisiti di dati, come dimostrato da esperimenti numerici e da un caso studio sulla stazione spaziale Tiangong.
Il paper presenta DynaME, un nuovo framework ibrido per la previsione online delle serie temporali che affronta la deriva concettuale distinguendo tra pattern ricorrenti ed emergenti, adattandosi dinamicamente a entrambi i tipi di cambiamento per superare le prestazioni degli approcci esistenti.
Il paper propone l'uso di adattatori di decoding leggeri addestrati con reinforcement learning per selezionare dinamicamente strategie di campionamento adattive a livello di sequenza e di token, migliorando significativamente il compromesso tra accuratezza e budget computazionale su compiti matematici e di coding rispetto ai metodi statici.
Questo lavoro verifica che gli osservatori persistenti in substrati di ipergrafi causali soddisfano il Teorema del Buono Regolatore di Conant-Ashby, dimostrando che la discesa del gradiente naturale è l'unica regola di apprendimento ammissibile e derivando una formula chiusa per il parametro di regime di Vanchurin, sebbene tale risultato dipenda fortemente dal modello di convergenza scelto.
Il paper introduce l'attenzione esclusiva (XSA), una modifica semplice dell'attenzione self che vincola l'attenzione a catturare solo informazioni ortogonali al vettore del token stesso, migliorando le prestazioni di modellazione delle sequenze nei Transformer, specialmente all'aumentare della lunghezza della sequenza.
Questo articolo propone un framework ibrido basato su PPO per l'edge computing veicolare semantico assistito da superfici intelligenti riconfigurabili (RIS), che ottimizza congiuntamente il caricamento dei dati e le fasi di riflessione per ridurre la latenza end-to-end del 40-50% rispetto agli algoritmi tradizionali in ambienti dinamici.
Questo studio dimostra che l'integrazione di dati di sentiment estratti da un modello LLM finetunato (Qwen3) da notizie in inglese e cinese migliora significativamente la previsione dei prezzi dell'alluminio, specialmente durante i periodi di alta volatilità, superando i modelli basati esclusivamente su dati tabulari tradizionali.