361 articoli
Il paper introduce la Frequency-Separable Hamiltonian Neural Network (FS-HNN), un approccio che supera i limiti delle reti neurali hamiltoniane tradizionali nella modellazione di dinamiche multiscala decomponendo l'hamiltoniana in modi veloci e lenti addestrati su scale temporali distinte, migliorando così l'estrapolazione a lungo termine e la generalizzazione su sistemi ODE e PDE.
Il paper presenta CLAIRE, un framework ibrido di deep learning che combina autoencoder e classificazione supervisionata per migliorare il rilevamento dei guasti nella manifattura intelligente, offrendo allo stesso tempo interpretabilità delle previsioni tramite tecniche basate sulla teoria dei giochi.
Questo articolo introduce il concetto di "corridoi di barriera di controllo" che unifica le funzioni di barriera di controllo e i corridoi di movimento sicuri, trasformando le funzioni di sicurezza in regioni obiettivo locali per garantire una selezione persistente e verificabilmente sicura degli obiettivi durante l'esplorazione autonoma di ambienti sconosciuti.
Questo articolo propone un schema di controllo predittivo adattivo basato su dati per sistemi lineari tempo-variante che, aggiornando online un guadagno di retroazione tramite programmazione semidefinita, garantisce la stabilità esponenziale e il rispetto dei vincoli, estendendo inoltre la robustezza al rumore di processo.
Questo lavoro estende un'architettura ibrida digitale-analogica basata su RIS alimentati da array, proponendo un metodo pratico per la progettazione di codebook di fascio e un framework di precodificazione a bassa complessità che garantisce alta efficienza spettrale e piena conformità ai meccanismi di acquisizione dei fasci e di segnalazione di riferimento 3GPP 5GNR in scenari di canale multipath realistici.
Questo articolo presenta un nuovo quadro di dinamica adattiva consapevole dell'incertezza per robot sottomarini con bracci manipolatori, che integra vincoli di coerenza fisica e stima a orizzonte mobile per ottenere modelli dinamici accurati e affidabili, come dimostrato sperimentalmente su un sistema BlueROV2 Heavy.
Questo paper propone un metodo innovativo per stimare i grafi di interferenza nelle reti di sensori wireless integrando tale processo con il flooding concorrente tramite il controllo della potenza di trasmissione, permettendo così di eseguire misurazioni e trasmissione dati simultaneamente senza sovraccaricare le risorse di rete.
Questo articolo propone un framework distribuito chiamato DDKL-PT, che permette a un sistema multi-agente di apprendere collettivamente le dinamiche sconosciute utilizzando traiettorie parziali e reti neurali profonde all'interno del framework dell'operatore di Koopman, scambiando solo stime locali per raggiungere un consenso globale senza condividere dati privati, al fine di abilitare un controllo predittivo basato su modello efficace.
Questo lavoro propone un metodo di controllo robusto per la stabilizzazione di equazioni alle derivate parziali iperboliche lineari con incertezze a salto di Markov, combinando il metodo del backstepping con operatori neurali per approssimare i kernel di controllo e garantendo la stabilità esponenziale in media quadratica attraverso un'analisi di Lyapunov.
Il paper presenta SHIELD, un framework di rilevamento ransomware indipendente dall'host che, analizzando caratteristiche deep del filesystem direttamente a livello di controller di archiviazione, garantisce un rilevamento tamper-proof con un'accuratezza del 97,29% e un blocco rapido delle operazioni dannose prima che vengano crittografati più dello 0,4% dei file.
Il paper introduce il Geometric SSM, un modello che sfida l'idea che la selettività richieda dinamiche non lineari dimostrando come sistemi LTI basati sulla teoria del controllo geometrico possano riconoscere pattern complessi e superare Mamba mantenendo un'efficienza computazionale elevata.
Questo lavoro propone un nuovo algoritmo di apprendimento per rinforzo multi-agente che migliora l'efficienza del campionamento combinando un critico centralizzato decomposto con un ensemble decentralizzato, utilizzando l'eccesso di curtosi per guidare una esplorazione selettiva e tecniche di apprendimento off-policy ridotte in varianza.
Questo lavoro utilizza la teoria della contrazione per dimostrare che la semicontrazione nello spazio osservabile è una condizione sufficiente affinché diverse strutture di rete, inclusi gli oscillatori di Kuramoto, risultino indistinguibili quando sono disponibili solo misurazioni parziali della dinamica dei nodi.
Questo lavoro analizza i limiti dell'identificazione univoca della topologia di sistemi lineari dinamici di rete a partire da misurazioni parziali, dimostrando come lo spazio delle reti compatibili sia legato al nucleo della matrice di osservabilità e fornendo metriche analitiche per caratterizzare le dissimilarità strutturali e i rischi di errata classificazione degli archi.
Questo articolo presenta un metodo leggero e basato su dati IMU e LiDAR per la rilevazione in tempo reale dello slittamento e la stima del coefficiente di attrito pneumatico-strada, eliminando la necessità di modelli dinamici complessi o grandi dataset di addestramento e dimostrando elevate prestazioni su un'auto da corsa autonoma in scala 1:10.
Questo lavoro propone un framework per la gestione dei conflitti tra xApp nelle reti O-RAN che combina machine learning spiegabile e inferenza causale per identificare le relazioni causali tra parametri di controllo e indicatori di prestazione, permettendo agli operatori di quantificare l'impatto dei conflitti e adottare strategie di risoluzione più efficaci.
Questo articolo propone un metodo di ottimizzazione sparsa multi-periodo che, sfruttando formulazioni basate sulla teoria dei circuiti ed euristiche ispirate ad esse, identifica proattivamente le fonti di vulnerabilità persistenti responsabili dei blackout nelle reti elettriche sotto stress crescente, garantendo scalabilità anche per sistemi di grandi dimensioni.
Questo articolo presenta e valida sperimentalmente un pratico framework basato su una matrice conduttiva di ampiezza e fase per emulare in laboratorio bersagli multipli con profili arbitrari, permettendo il test efficace di stazioni base ISAC dotate di grandi array di antenne in diverse modalità operative.
Questo articolo presenta un framework di controllo fuzzy guidato da modelli linguistici su larga scala (LLM) che utilizza token semantici interpretabili e comunicazione linguistica per abilitare una copertura cooperativa efficiente e robusta di robot sottomarini in ambienti sconosciuti privi di GPS e mappature globali.
Questa lettera introduce due nuove formulazioni del modello FrBD basate sugli elementi viscoelastici lineari Generalized Maxwell e Generalized Kelvin-Voigt, dimostrandone la stabilità e la passività per applicazioni nel controllo robotico.