ZeroSiam: An Efficient Asymmetry for Test-Time Entropy Optimization without Collapse

Il paper presenta ZeroSiam, un'architettura asimmetrica efficiente che previene il collasso durante l'ottimizzazione dell'entropia al momento del test, migliorando la stabilità e le prestazioni sia nei compiti di adattamento visivo che nel ragionamento dei modelli linguistici su larga scala.

Guohao Chen, Shuaicheng Niu, Deyu Chen, Jiahao Yang, Zitian Zhang, Mingkui Tan, Pengcheng Wu, Zhiqi ShenWed, 11 Ma🤖 cs.LG

CovertComBench: A First Domain-Specific Testbed for LLMs in Wireless Covert Communication

Il paper introduce CovertComBench, il primo banco di prova specifico per valutare le capacità dei Large Language Models nella comunicazione wireless covert, rivelando che, sebbene eccellano nella comprensione concettuale e nella generazione di codice, mostrano gravi carenze nelle derivazioni matematiche necessarie per garantire la sicurezza, suggerendo la necessità di un'architettura basata su strumenti esterni per sistemi affidabili.

Zhaozhi Liu, Jiaxin Chen, Yuanai Xie, Yuna Jiang, Minrui Xu, Xiao Zhang, Pan Lai, Zan ZhouWed, 11 Ma💻 cs

Why Channel-Centric Models are not Enough to Predict End-to-End Performance in Private 5G: A Measurement Campaign and Case Study

Uno studio sperimentale su una rete 5G privata dimostra che i modelli basati esclusivamente sulle caratteristiche del canale sovrastimano sistematicamente la velocità di trasmissione a causa di errori nella previsione dei livelli MIMO, mentre un approccio basato su dati reali tramite regressione a processi gaussiani offre previsioni di throughput end-to-end significativamente più accurate.

Nils JörgensenWed, 11 Ma🤖 cs.LG

Optimizing Reinforcement Learning Training over Digital Twin Enabled Multi-fidelity Networks

Questo articolo propone un framework di apprendimento per rinforzo gerarchico che, sfruttando un gemello digitale della rete, ottimizza congiuntamente la strategia di raccolta dati e l'aggiustamento dell'inclinazione delle antenne per massimizzare i tassi di dati degli utenti riducendo al contempo la latenza di comunicazione.

Hanzhi Yu, Hasan Farooq, Julien Forgeat, Shruti Bothe, Kristijonas Cyras, Md Moin Uddin Chowdhury, Mingzhe ChenWed, 11 Ma🤖 cs.LG

PixelConfig: Longitudinal Measurement and Reverse-Engineering of Meta Pixel Configurations

Il paper presenta PixelConfig, un framework di analisi differenziale che, attraverso lo studio longitudinale di 18.000 siti web sanitari, rivela come le configurazioni predefinite del Meta Pixel consentano un tracciamento pervasivo di attività e identità degli utenti, inclusa la raccolta di dati sensibili, mentre le funzionalità di restrizione del tracciamento risultano spesso inefficaci o facilmente aggirabili.

Abdullah Ghani (Lahore University of Management Sciences), Yash Vekaria (University of California, Davis), Zubair Shafiq (University of California, Davis)Wed, 11 Ma💻 cs

Joint User Association and Resource Allocation for Adaptive Semantic Communication in 5G and Beyond Networks

Questo articolo propone un approccio di comunicazione semantica adattiva che, superando i limiti dei trasmettitori pre-addestrati fissi, ottimizza l'associazione degli utenti e l'allocazione delle risorse nelle reti 5G e oltre attraverso un algoritmo che suddivide il problema complesso in tre sotto-problemi risolvibili sequenzialmente per massimizzare l'utilità del sistema rispettando vincoli di energia e latenza.

Xingqiu He, Chaoqun You, Zihan Chen, Yao Sun, Dongzhu Liu, Tony Q. S. Quek, Yue GaoTue, 10 Ma💻 cs

Improved Contact Graph Routing in Delay Tolerant Networks with Capacity and Buffer Constraints

Questo articolo propone un miglioramento dell'algoritmo di instradamento Contact Graph Routing per le reti tolleranti ai ritardi, introducendo operazioni di divisione dei contatti e potatura degli archi per garantire percorsi ottimali che rispettino preventivamente i vincoli di capacità e buffer, riducendo così collisioni e tempi di consegna nelle comunicazioni satellitari.

Tania Alhajj, Vincent CorlayTue, 10 Ma🔢 math

Towards Efficient Federated Learning of Networked Mixture-of-Experts for Mobile Edge Computing

Questo lavoro introduce il sistema Networked Mixture-of-Experts (NMoE) per il mobile edge computing, che combina inferenza collaborativa tra dispositivi vicini e un framework di apprendimento federato ibrido (supervisionato e auto-supervisionato) per superare le limitazioni computazionali e di dati nell'addestramento di grandi modelli di intelligenza artificiale, garantendo al contempo efficienza nelle comunicazioni e privacy.

Song Gao, Songyang Zhang, Shusen Jing, Shuai Zhang, Xiangwei Zhou, Yue Wang, Zhipeng CaiTue, 10 Ma🤖 cs.LG