3797 articoli
Il paper dimostra che adottare una dieta visiva ispirata allo sviluppo umano, che guida l'apprendimento dei modelli AI attraverso un curriculum progressivo di acuità, sensibilità al contrasto e colore, permette di ottenere sistemi di visione artificiale più robusti, resilienti e basati sulla forma, colmando il divario tra intelligenza artificiale e percezione umana.
Lo studio dimostra che l'addestramento efficace delle PINN in presenza di dati rumorosi richiede una dimensione della rete superiore a una soglia critica, poiché l'errore empirico non può scendere sotto la varianza del rumore senza un numero sufficiente di parametri, indipendentemente dall'aumento del volume dei dati.
Il paper introduce TableEG, un framework basato su modelli linguistici di grandi dimensioni e strategie di fine-tuning che genera errori sintetici autentici nei dati tabellari, colmando il divario tra dati reali e artificiali per fornire un benchmark robusto e affidabile per la valutazione delle tecniche di rilevamento e correzione degli errori.
Il paper propone MCULoRA, un nuovo framework basato su un adattamento a basso rango decoupled e dinamico che risolve i conflitti di gradiente nell'addestramento di modelli per il riconoscimento delle emozioni con modalità incomplete, ottenendo prestazioni superiori rispetto agli approcci esistenti.
Questo paper introduce SGV, un metodo di verifica auto-fondato che mitiga il bias di accordo nei modelli linguistici multimodali, migliorando significativamente l'individuazione degli errori e le prestazioni dei agenti in compiti di navigazione web, uso del computer e robotica.
Questo articolo presenta la prima survey completa sullo sviluppo recente del flow matching e sulle sue applicazioni nei domini biologici, coprendo la modellazione delle sequenze, la generazione di molecole e la sintesi di peptidi e proteine.
Questo articolo propone un approccio basato su "alberi di traiettoria" e ricerca ad albero Monte Carlo per estendere la generalizzazione da modello debole a forte (W2SG) ai complessi ambienti decisionali, permettendo ai modelli avanzati di apprendere sia dai successi che dai fallimenti dei modelli più semplici per migliorare le proprie capacità di ragionamento e decisione.
Questo lavoro dimostra come un'entità malintenzionata possa ingannare le verifiche di conformità al regolamento UE sull'IA manipolando i dati per apparire equi, analizzando le vulnerabilità di tali attacchi e proponendo metodi statistici per rilevare queste distorsioni distribuzionali.
Questo studio introduce un framework di "red-teaming" dinamico, automatico e sistematico (DAS) che, stressando i modelli linguistici medici su assi di sicurezza critici, rivela un profondo divario tra le alte prestazioni sui benchmark statici e la bassa affidabilità in scenari reali, evidenziando come i punteggi elevati possano riflettere una memorizzazione superficiale piuttosto che una vera competenza clinica.
Il paper presenta CauKer, un algoritmo innovativo che genera serie temporali sintetiche causalmente coerenti per pre-addestrare in modo efficiente modelli foundation per la classificazione, dimostrando leggi di scalabilità superiori rispetto ai dataset reali.
Il paper presenta GraphProp, un metodo per addestrare modelli fondazionali su grafi che migliora la generalizzazione cross-dominio attraverso due fasi: prima l'apprendimento di rappresentazioni strutturali basate su invarianti grafici, poi l'integrazione di attributi specifici del dominio per ottenere prestazioni superiori nelle attività di classificazione, specialmente in contesti privi di attributi nodali.
Questo lavoro dimostra che i meccanismi di gating nelle reti neurali ricorrenti agiscono come precondizionatori adattivi basati sui dati, accoppiando le scale temporali dello stato con la dinamica dei parametri per generare tassi di apprendimento efficaci dipendenti dal ritardo e dall'orientamento, spiegando così la robusta trainabilità di tali architetture.
Il paper presenta ECHO, un modello fondazionale innovativo che integra un'architettura a bande divise e embedding posizionali frequenziali per elaborare segnali macchina di lunghezza variabile e a diversi tassi di campionamento, ottenendo prestazioni all'avanguardia nell'individuazione di anomalie e nella classificazione dei guasti.
Questo articolo presenta un algoritmo basato su giochi dinamici inversi che, sfruttando programmi lineari interi-misti per codificare le condizioni KKT, apprende vincoli parametrici da dimostrazioni di interazioni multi-agente per garantire la sicurezza e pianificare traiettorie robuste.
Questo studio presenta il CbLDM, un modello di diffusione latente basato su condizioni che risolve il problema inverso della nanostruttura recuperando nanoparticelle metalliche monometalliche dalla loro funzione di distribuzione delle coppie (PDF) utilizzando matrici di Laplace per garantire stabilità e risultati fisicamente significativi.
Questo articolo presenta un framework di addestramento unificato che combina un curriculum guidato dall'entropia e l'apprendimento multi-task per migliorare la previsione della mobilità umana, ottenendo prestazioni all'avanguardia e una convergenza più rapida rispetto ai metodi esistenti.
Questo studio dimostra che i metodi di imputazione basati su MICE offrono un'alternativa efficace e più semplice da implementare rispetto alle reti avversarie e agli autoencoder per la generazione di dati sintetici nella taratura assicurativa, preservando fedelmente le distribuzioni originali e migliorando le prestazioni dei modelli GLM.
Questo articolo propone la classe di metodi F²SA-p, che utilizza differenze finite di ordine p per approssimare il gradiente iperbolico nell'ottimizzazione bilevel stocastica, migliorando il limite superiore di complessità fino a per problemi altamente lisci e dimostrando la quasi-ottimalità di tale approccio rispetto al limite inferiore .
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.