cs.NE articoli | Gist.Science

Self-Supervised Evolutionary Learning of Neurodynamic Progression and Identity Manifolds from EEG During Safety-Critical Decision Making

Questo lavoro propone un framework di apprendimento evolutivo auto-supervisionato che, analizzando l'EEG durante decisioni critiche per la sicurezza, identifica progressioni neurodinamiche individuali e manifolds di identità senza etichette esterne, migliorando significativamente l'autenticazione, il rilevamento di anomalie e la generalizzazione delle intenzioni cognitive.

Xiaoshan Zhou, Carol C. Menassa, Vineet R. KamatTue, 10 Ma💻 cs

A Primer on Evolutionary Frameworks for Near-Field Multi-Source Localization

Questo articolo presenta due nuovi framework evolutivi basati su modelli, denominati NEMO-DE e NEEF-DE, che risolvono il problema della localizzazione multi-sorgente in campo vicino operando direttamente su un modello di segnale a onda sferica continua, senza richiedere dati etichettati, griglie discretizzate o vincoli architetturali specifici.

Seyed Jalaleddin Mousavirad, Parisa Ramezani, Mattias O'Nils, Emil BjörnsonTue, 10 Ma💻 cs

Multi-Objective Evolutionary Optimization of Chance-Constrained Multiple-Choice Knapsack Problems with Implicit Probability Distributions

Questo articolo propone il metodo OPERA-MC per la valutazione efficiente dei vincoli probabilistici e l'algoritmo ibrido NHILS per ottimizzare il problema del knapsack a scelta multipla con vincoli di probabilità implicita e obiettivi multipli, dimostrando prestazioni superiori su benchmark sintetici e reali di configurazione di reti 5G.

Xuanfeng Li, Shengcai Liu, Wenjie Chen, Yew-Soon Ong, Ke TangTue, 10 Ma💻 cs

Structure from Rank: Rank-Order Coding as a Bridge from Sequence to Structure

Questo studio propone un modello neurale basato sulla codifica per rango, ispirato al percorso STG-LIFG-PMC, che dimostra come tale meccanismo permetta di comprimere efficientemente gli input acustici, rilevare novità globali e generalizzare strutture grammaticali gerarchiche, fungendo da ponte tra sequenza e struttura nel linguaggio.

Xiaodan Chen, Alexandre Pitti, Mathias Quoy, Nancy ChenTue, 10 Ma💻 cs

Evolving Symbiosis, from Barricelli's Legacy to Collective Intelligence: a simulated and conceptual approach

Questo rapporto documenta il lavoro del gruppo SymBa al workshop ALICE 2026, che riprende e estende l'opera pionieristica di Nils Aall Barricelli sulla simbiosi di organismi numerici, esplorando il ruolo della simbiogenesi nell'origine della vita, nell'open-endedness e nell'intelligenza collettiva attraverso simulazioni in mondi 1D e 2D e sperimentazioni preliminari con norme del DNA.

James Ashford, Marko Cvjetko, Richard Löffler, Berfin Sakallioglu, Alessandro Valerio, Marta Tataryn, Benedikt Hartl, Léo Pio-Lopez, Stefano NicheleTue, 10 Ma💻 cs

Pareto-Optimal Anytime Algorithms via Bayesian Racing

Il paper presenta PolarBear, un framework basato su inferenza bayesiana e modelli di ranking che identifica l'insieme di algoritmi Pareto-ottimali nel tempo senza richiedere normalizzazione o conoscenze a priori, permettendo una selezione robusta e coerente anche con budget computazionali incerti.

Jonathan Wurth, Helena Stegherr, Neele Kemper, Michael Heider, Jörg HähnerTue, 10 Ma🤖 cs.LG

Scalable Multi-Task Learning through Spiking Neural Networks with Adaptive Task-Switching Policy for Intelligent Autonomous Agents

Il paper propone SwitchMT, un metodo innovativo che utilizza reti neurali spiking con dendriti attivi e una politica di commutazione dei compiti adattiva per migliorare l'apprendimento multi-task scalabile degli agenti autonomi, riducendo l'interferenza tra compiti senza aumentare la complessità della rete.

Rachmad Vidya Wicaksana Putra, Avaneesh Devkota, Muhammad ShafiqueThu, 12 Ma🤖 cs.AI

Panda: A pretrained forecast model for chaotic dynamics

Il paper presenta Panda, un modello pre-addestrato basato su meccanismi di attenzione che, pur essendo stato addestrato esclusivamente su dati sintetici di equazioni differenziali ordinarie, dimostra la capacità di prevedere con successo sistemi caotici complessi, inclusi quelli governati da equazioni differenziali alle derivate parziali e serie temporali reali, grazie a proprietà emergenti come il forecasting zero-shot e la scoperta di leggi di scaling neurale.

Jeffrey Lai, Anthony Bao, William GilpinThu, 12 Ma🌀 nlin

Differential Privacy in Machine Learning: A Survey from Symbolic AI to LLMs

Questo articolo offre un'analisi completa dell'evoluzione e dell'integrazione della privacy differenziale nei modelli di machine learning, spaziando dai sistemi simbolici ai grandi modelli linguistici, con l'obiettivo di promuovere lo sviluppo di sistemi di intelligenza artificiale sicuri e responsabili.

Francisco Aguilera-Martínez, Fernando BerzalThu, 12 Ma🤖 cs.AI

GOT-JEPA: Generic Object Tracking with Model Adaptation and Occlusion Handling using Joint-Embedding Predictive Architecture

Il paper presenta GOT-JEPA, un framework di pre-addestramento basato su un'architettura predittiva a embedding congiunto che migliora la generalizzazione e la gestione delle occlusioni nel tracciamento generico di oggetti, integrando un modulo chiamato OccuSolver per stimare la visibilità e affinare i modelli di tracciamento in ambienti dinamici.

Shih-Fang Chen, Jun-Cheng Chen, I-Hong Jhuo, Yen-Yu LinThu, 12 Ma🤖 cs.AI

Intrinsic Numerical Robustness and Fault Tolerance in a Neuromorphic Algorithm for Scientific Computing

Questo studio dimostra che un algoritmo neuromorfico nativamente a impulsi per la risoluzione di equazioni differenziali parziali possiede una robustezza intrinseca, tollerando fino al 32% di neuroni rimossi e al 90% di impulsi persi senza un significativo degrado dell'accuratezza.

Bradley H. Theilman, James B. AimoneThu, 12 Ma🤖 cs.AI

Muscle Synergy Priors Enhance Biomechanical Fidelity in Predictive Musculoskeletal Locomotion Simulation

Questo studio dimostra che l'integrazione di sinergie muscolari come vincoli fisiologici in un framework di apprendimento per rinforzo migliora la fedeltà biomeccanica e la generalizzazione delle simulazioni predittive della locomozione umana su terreni variabili, utilizzando dati sperimentali limitati.

Ilseung Park (Carnegie Mellon University), Eunsik Choi (Seoul National University), Jangwhan Ahn (UNC-Chapel Hill and NC State University), Jooeun Ahn (Seoul National University)Thu, 12 Ma🤖 cs.LG

Resource-constrained Amazons chess decision framework integrating large language models and graph attention

Questo lavoro propone un framework ibrido leggero per il gioco delle Amazzoni che integra un autoencoder con attenzione su grafi e modelli linguistici di grandi dimensioni per generare dati sintetici e ottimizzare la ricerca ad albero, dimostrando come tale approccio superi sia i metodi tradizionali che il modello teacher stesso in ambienti con risorse computazionali limitate.

Tianhao Qian, Zhuoxuan Li, Jinde Cao, Xinli Shi, Hanjie Liu, Leszek RutkowskiThu, 12 Ma🤖 cs.AI

An Event-Driven E-Skin System with Dynamic Binary Scanning and real time SNN Classification

Questo articolo presenta un sistema di pelle elettronica (e-skin) basato su eventi che integra un array tattile piezoresistivo con una strategia di scansione binaria dinamica e una rete neurale a impulsi (SNN) su FPGA, ottenendo un'elaborazione ad alta efficienza energetica e un'accuratezza del 92,11% nel riconoscimento di cifre scritte a mano in tempo reale.

Gaishan Li, Zhengnan Fu, Anubhab Tripathi, Junyi Yang, Arindam BasuThu, 12 Ma💻 cs

ForwardFlow: Simulation only statistical inference using deep learning

Il paper "ForwardFlow" propone un metodo di inferenza statistica basato su simulazioni e un'unica rete neurale che risolve il problema inverso di stima dei parametri, dimostrando in simulazioni proprietà come l'esattezza su campioni finiti, la robustezza ai dati contaminati e la capacità di approssimare algoritmi complessi come l'EM.

Stefan BöhringerThu, 12 Ma📊 stat

COMIC: Agentic Sketch Comedy Generation

Il paper presenta COMIC, un sistema AI completamente automatizzato che genera video comici brevi imitando gli sketch show, utilizzando una popolazione di agenti ispirati ai ruoli di produzione e critici LLM allineati alle preferenze del pubblico per ottimizzare la qualità e la diversità degli output.

Susung Hong, Brian Curless, Ira Kemelmacher-Shlizerman, Steve SeitzThu, 12 Ma💬 cs.CL

TT-SNN: Tensor Train Decomposition for Efficient Spiking Neural Network Training

Il paper introduce TT-SNN, un metodo innovativo che applica la decomposizione Tensor Train e un pipeline di calcolo parallelo alle Reti Neurali a Spike (SNN) per ridurre drasticamente le dimensioni del modello, i FLOPs e i tempi di addestramento mantenendo un'accuratezza quasi invariata.

Donghyun Lee, Ruokai Yin, Youngeun Kim, Abhishek Moitra, Yuhang Li, Priyadarshini PandaMon, 09 Ma💻 cs

Predictive Coding Networks and Inference Learning: Tutorial and Survey

Questo lavoro offre una revisione completa e una specifica formale dettagliata delle reti di codifica predittiva, presentandole come un quadro neurale ispirato e biologicamente plausibile che supera i limiti della retropropagazione tradizionale e si posiziona come una soluzione promettente per l'innovazione futura nel machine learning.

Björn van Zwol, Ro Jefferson, Egon L. van den BroekMon, 09 Ma🤖 cs.AI

A Digital Pheromone-Based Approach for In-Control/Out-of-Control Classification

Questo studio presenta un approccio bio-ispirato basato sul comportamento delle colonie di formiche, che utilizza un sistema di "feromoni digitali" per monitorare in tempo reale e classificare lo stato di controllo dei processi industriali, come dimostrato in un caso studio sulla frittura di patatine.

Pedro Pestana, M. Fátima BrilhanteMon, 09 Ma💻 cs

Predictive Coding Graphs are a Superset of Feedforward Neural Networks

Il documento dimostra che i grafi di codifica predittiva costituiscono un insieme matematico sovrastante delle reti neurali feedforward, rafforzando così il loro ruolo nel machine learning moderno e la rilevanza della topologia nelle reti neurali.

Björn van ZwolMon, 09 Ma🤖 cs.AI

← Precedente Successivo →