3761 articoli
Il paper presenta GlucoLens, un sistema di intelligenza artificiale spiegabile che utilizza dati provenienti da dispositivi indossabili e diete per prevedere l'iperglicemia postprandiale e suggerire percorsi di trattamento comportamentale personalizzati, ottenendo prestazioni superiori rispetto ai modelli esistenti.
Il paper presenta IMPACT, un nuovo framework di pianificazione del movimento che utilizza modelli visione-linguaggio per generare mappe di costo anisotrope e identificare contatti sicuri, permettendo a un robot di navigare in ambienti affollati attraverso percorsi ricchi di contatto controllati e sicuri.
Il paper introduce le equivalenze prototipo lisce (SPE), un framework basato su reti neurali invertibili che permette di caratterizzare il comportamento a lungo termine di sistemi dinamici non lineari partendo da osservazioni sparse e rumorose, identificando strutture invarianti e classificando regimi dinamici senza richiedere equazioni esplicithe.
Il paper presenta MUSS, un nuovo metodo multilivello per la selezione di sottoinsiemi rilevanti e diversificati che, sfruttando la struttura dei dati, supera le tecniche esistenti in termini di precisione e velocità in applicazioni come i sistemi di raccomandazione e il RAG, garantendo al contempo un'approssimazione a fattore costante dell'obiettivo ottimale.
Il paper presenta EDU-PRM, un modello di ricompensa per processi basato sull'entropia che segmenta automaticamente i passaggi di ragionamento complesso senza annotazioni manuali, ottenendo prestazioni superiori su ProcessBench con solo l'1,5% dei dati di addestramento e riducendo significativamente l'uso di token.
Questo studio propone un framework ibrido innovativo, denominato MetaBoost, che integra tecniche di bilanciamento dei dati e analisi controfattuali per migliorare l'accuratezza della previsione della Sindrome Metabolica e identificare i fattori di rischio modificabili più critici, come la glicemia e i trigliceridi.
Questo studio dimostra che l'uso di modelli linguistici di grandi dimensioni (LLM) per estrarre caratteristiche cognitive e linguistiche, successivamente elaborate da algoritmi di apprendimento automatico basati su alberi decisionali, consente di stimare con maggiore precisione la difficoltà degli item nei test scolastici rispetto alla valutazione diretta, offrendo un'alternativa efficiente e scalabile ai costosi test sul campo.
Questo lavoro presenta il primo agente di guida autonoma basato sulla visione che, utilizzando esclusivamente dati visivi e sensoriali a bordo senza bisogno di localizzazione precisa, raggiunge prestazioni da campione nel gioco Gran Turismo 7 grazie a un framework attore-critico asimmetrico.
Il paper propone un quadro di risposta lineare per l'interpretabilità dei piccoli modelli linguistici, trattandoli come sistemi statistici meccanici bayesiani per identificare moduli funzionali tramite l'analisi delle suscettibilità indotte da perturbazioni nella distribuzione dei dati.
Il paper propone HetGL2R, un framework di apprendimento basato su grafi eterogenei che integra flussi origine-destinazione e informazioni sui percorsi per migliorare il ranking dell'importanza dei segmenti stradali, superando i limiti dei metodi esistenti nel modellare dipendenze spaziali a lungo raggio.
Questo articolo presenta una revisione completa che unifica la valutazione di modelli e agenti AI autonomi attraverso una tassonomia di circa 60 benchmark, esamina framework e protocolli di collaborazione, illustra applicazioni reali in vari settori e propone raccomandazioni per la ricerca futura.
Il paper introduce StablePCA, un framework di apprendimento robusto rispetto alla distribuzione che risolve il problema non convesso dell'estrazione di rappresentazioni latenti condivise da dati multi-sorgente tramite una rilassazione convessa risolta con un algoritmo Mirror-Prox, fornendo garanzie di convergenza globale e condizioni per la precisione della rilassazione.
Questo articolo propone un framework di ottimizzazione delle politiche offline personalizzate per processi decisionali di Markov eterogenei, introducendo l'algoritmo P4L che garantisce una rapida convergenza del rimpianto e supera le prestazioni dei metodi esistenti sia in simulazioni che su dati reali.
Questo studio applica l'interpretabilità meccanicistica per dimostrare che la distillazione della conoscenza, pur preservando il comportamento funzionale, induce una significativa riorganizzazione interna nei modelli studenti, che comprimono e scartano componenti del modello insegnante affidandosi a un numero ridotto di unità attivate.
Il paper introduce Ready2Unlearn, un approccio proattivo che ottimizza la fase di addestramento dei modelli per prepararli a future richieste di cancellazione dei dati, rendendo il processo di machine unlearning più efficiente e fondato su principi solidi.
Il paper presenta EgoDex, il più ampio e diversificato dataset esistente di manipolazione abile umana registrato con Apple Vision Pro, che offre 829 ore di video egocentrici con annotazioni 3D delle mani per affrontare la scarsità di dati nell'apprendimento per imitazione e promuovere i progressi nella robotica e nella visione artificiale.
Il paper presenta FreeKV, un framework di co-ottimizzazione algoritmo-sistema privo di addestramento che migliora l'efficienza del recupero della cache KV mantenendo un'accuratezza quasi perfetta e ottenendo fino a 13 volte di velocità rispetto ai metodi esistenti.
Il paper propone due nuovi algoritmi online per l'apprendimento decisionale focalizzato (DFL) in ambienti dinamici, che superano le sfide della non differenziabilità e non convessità attraverso regolarizzazione e tecniche di perturbazione, garantendo per la prima volta limiti di rimedio statici e dinamici e dimostrando prestazioni superiori in esperimenti pratici.
Il paper presenta Vid2World, un approccio generale che trasforma modelli di diffusione video pre-addestrati in modelli del mondo interattivi ad alta fedeltà, permettendo una generazione autoregressiva e un controllo efficace delle azioni attraverso la causalizzazione dell'architettura e una guida causale.
Il paper introduce MAS-ZERO, il primo framework di auto-evoluzione che progetta sistemi multi-agente senza supervisione esterna, adattando dinamicamente ruoli e protocolli durante l'inferenza per ottenere prestazioni superiori rispetto ai metodi manuali e automatici esistenti.