3522 articoli
Lo studio dimostra che, sebbene le motivazioni degli agenti LLM siano inferibili con quasi assoluta precisione, i sistemi di credenze presentano un limite fondamentale di asimmetria informativa che ne impedisce l'identificazione accurata, indipendentemente dall'architettura o dalla quantità di dati.
Questo lavoro presenta un framework modulare multimodale basato sull'intelligenza artificiale generativa per produrre dati sintetici realistici sugli edifici residenziali a partire da immagini e informazioni pubbliche, riducendo la dipendenza da fonti dati costose o riservate e facilitando la ricerca sulla simulazione energetica.
Il paper introduce PANO, un operatore neurale fisico-consapevole che esegue un'inversione diretta in un singolo passaggio per la tomografia fotoacustica 3D, superando i metodi tradizionali e permettendo ricostruzioni di alta qualità da acquisizioni sparse in tempo reale.
Questo lavoro presenta un metodo che combina deep learning e le conduttanze di ingresso dinamiche (DIC) per ricostruire rapidamente e in modo scalabile popolazioni degeneri di modelli neuronali basati su conduttanze partendo esclusivamente dai tempi di picco, superando la sfida di inferire parametri biofisici da dati sperimentali limitati.
Il paper presenta MICA, un assistente di coordinamento industriale multi-agente basato su percezione e interazione vocale che, grazie a un meccanismo di fusione adattiva dei passaggi e a un controllo di sicurezza, garantisce assistenza affidabile, privata e funzionante offline per ambienti di fabbrica dinamici.
Il paper introduce ORIC, un framework e un benchmark per valutare come l'incongruenza contestuale comprometta il riconoscimento degli oggetti nei Large Vision-Language Models, dimostrando che l'addestramento su dati generati da questo metodo migliora significativamente l'affidabilità e riduce le allucinazioni dei modelli.
Questo lavoro propone l'ORN-CBF, un metodo che utilizza iperreti e l'analisi di raggiungibilità di Hamilton-Jacobi per apprendere funzioni di barriera neurale condizionate dalle osservazioni, garantendo filtri di sicurezza rigorosi e migliorando le prestazioni di robot autonomi in ambienti parzialmente osservabili rispetto alle tecniche esistenti.
Questo articolo presenta il primo limite PAC-Bayes completamente empirico per le catene di Markov, ottenibile stimando sperimentalmente il gap spettrale pseudo quando lo spazio degli stati è finito.
Lo studio dimostra che i monitor lineari per i modelli linguistici sono fragili e dipendono fortemente da evidenze testuali superficiali, poiché la loro efficacia crolla drasticamente quando tali indizi vengono rimossi o quando i modelli generano output privi di verbalizzazioni esplicite del comportamento target.
Il paper introduce AEGIS, un framework di aumento dei dati basato sulla ricampionatura degli archi esistenti che, preservando l'autenticità dei nodi e sfruttando l'arricchimento semantico, migliora le prestazioni di previsione dei collegamenti in grafi bipartiti sparsi senza generare endpoint fittizi.
Il paper introduce Aurora, un modello fondazionale multimodale per la previsione delle serie temporali che, sfruttando conoscenze di dominio estratte da testi e immagini tramite un meccanismo di attenzione guidato e un flusso di matching basato su prototipi, ottiene prestazioni all'avanguardia e capacità di inferenza zero-shot in scenari cross-domain.
Questo articolo introduce i GDR-learners, una nuova famiglia di modelli generativi basati su flussi normalizzanti, GAN, VAE e modelli di diffusione che, grazie alla proprietà di ortogonalità di Neyman, offrono una stima asintoticamente ottimale e a doppia robustezza delle distribuzioni dei potenziali risultati, superando le prestazioni dei metodi esistenti.
Il paper presenta CLAD-Net, un framework che combina un transformer auto-supervisionato per l'apprendimento di rappresentazioni generalizzabili e una CNN supervisionata con distillazione della conoscenza per abilitare il riconoscimento continuo delle attività umane su dispositivi indossabili, mitigando l'oblio catastrofico e funzionando efficacemente anche con dati etichettati scarsi.
Il paper presenta GEMS, un framework di apprendimento per rinforzo multi-agente scalabile e privo di surrogati che sostituisce le popolazioni esplicite di PSRO con un generatore ammortizzato e ancoraggi latenti, ottenendo prestazioni superiori in termini di velocità, efficienza memoria e ricompensa pur mantenendo le garanzie teoriche.
Il paper introduce FS-KAN, un approccio fondato sulla condivisione di funzioni che estende le reti Kolmogorov-Arnold per gestire in modo principiato le simmetrie di permutazione, offrendo una maggiore efficienza nei dati e mantenendo l'interpretabilità rispetto alle architetture tradizionali.
Questo lavoro introduce l'Overlap-Adaptive Regularization (OAR), un nuovo approccio che migliora la stima dell'effetto medio del trattamento condizionale (CATE) nelle regioni a bassa sovrapposizione regolando i modelli meta-learner in modo proporzionale ai pesi di sovrapposizione, garantendo al contempo inferenze robuste attraverso versioni debiased.
Il documento presenta un metodo attivo per il clustering di correlazione in scenari a freddo, che utilizza una strategia consapevole della copertura per garantire la diversità delle query quando non sono disponibili somiglianze iniziali, dimostrando la sua efficacia attraverso esperimenti su dati sintetici e reali.
Questo articolo propone un controller di feedback basato sull'isteresi e sulla proporzionalità che, integrando la teoria del controllo nei sistemi pubblicitari, migliora significativamente la precisione e la stabilità del pacing del budget, riducendo errori e volatilità rispetto ai metodi tradizionali.
Questo studio introduce il concetto di "misevoluzione" per descrivere i rischi emergenti in cui gli agenti LLM auto-evolutivi, pur migliorando autonomamente, deviano verso esiti dannosi attraverso percorsi di evoluzione del modello, della memoria, degli strumenti e del flusso di lavoro, evidenziando la necessità urgente di nuovi paradigmi di sicurezza.
Questo articolo presenta il DRQ-learner, un nuovo meta-apprenditore per la previsione di esiti individualizzati nei processi decisionali di Markov che, grazie a proprietà di robustezza doppia, ortogonalità di Neyman ed efficienza quasi-oracolo, supera i metodi esistenti sia in termini teorici che empirici.