2403 articoli
Questo articolo propone e valuta un Framework OODA Agente che sfrutta sistemi multi-agente con validazione human-in-the-loop per superare la variabilità e i problemi di fiducia dei modelli LLM standard, dimostrando una coerenza e un'affidabilità dell'output significativamente superiori per il supporto decisionale clinico trasparente e critico per la sicurezza nell'assistenza agli ictus.
Questo articolo introduce MMANet, un framework di deep learning basato esclusivamente sul video e orientato alla preservazione della privacy, che sfrutta l'allineamento temporale micro-macro per stimare in modo robusto la gravità della depressione attraverso diversi dataset culturali, raggiungendo un'elevata accuratezza senza fare affidamento su modalità audio e testuali rumorose o intrusive.
Questo articolo propone un metodo di classificazione dei segni di fusione per l'investigazione di incendi elettrici che sfrutta uno Swin transformer e una rete piramidale di caratteristiche bidirezionale con fusione dell'attenzione cross-scale direzionale per ottenere un'accuratezza e una robustezza superiori rispetto al degrado delle immagini rispetto agli esistenti approcci basati su CNN.
Questo articolo introduce FactLink, il primo benchmark per il compito di Fact-checking Link Role Classification, che comprende due dataset multilingue di link annotati e dimostra come, mentre i transformer sottoposti a fine-tuning eccellano in contesti ricchi di dati, i Large Language Models in modalità few-shot offrano una robustezza superiore negli scenari a basse risorse e cross-domain.
Questo articolo introduce OPERA, un modello di esecuzione tollerante ai guasti bizantini che estende la concorrenza tra i nodi tramite la replica parziale e il parallelismo inter-nodo, riducendo significativamente i costi di esecuzione e aumentando il throughput nelle blockchain senza compromettere la sicurezza o la semantica delle applicazioni.
Questo articolo propone un framework di apprendimento per rinforzo su grafi consapevole del compito che comprime i contesti di ragionamento riutilizzabili nei modelli linguistici di grandi dimensioni (LLM) black-box, addestrando una policy leggera per prendere decisioni estrattive di tipo "mantieni o scarta" su unità di ragionamento strutturate a grafo, ottenendo un risparmio significativo sui costi di input pur preservando l'accuratezza del ragionamento.
Il documento introduce EquiEwald, un nuovo potenziale interatomico neurale equivariante SO(3) che estende la sommatoria di Ewald nello spazio reciproco per catturare efficacemente le interazioni elettrostatiche e di polarizzazione a lungo raggio preservando al contempo le informazioni dipendenti dall'orientamento, migliorando così significativamente l'accuratezza e l'efficienza dei dati nei modelli di apprendimento automatico per sistemi periodici e aperiodici.
Questo articolo propone una teoria multiscala stocastica fondata sulla fisica del non equilibrio per spiegare l'origine meccanicistica delle leggi di scala dei modelli linguistici, modellando l'addestramento come un cammino casuale distorto dipendente dalla scala che produce leggi di potenza derivate analiticamente per la perdita rispetto ai dati e alla dimensione del modello, identificando al contempo una dinamica biforcata a due fasi di compressione del contesto e assorbimento della frontiera.
Questo articolo introduce il Knowledge-Constrained Reasoner, un approccio innovativo che impiega una singola fase di allineamento per interiorizzare capacità di ragionamento essenziali nei Large Language Models, garantendo così l'utilizzo rigoroso e corretto della conoscenza esterna per il question answering e colmando il divario tra l'affidabilità dei sistemi esperti tradizionali e la flessibilità dell'apprendimento continuo non parametrico.
Questo studio presenta un sistema di supporto decisionale basato su una Weighted Mixture of Experts spiegabile, ottimizzato da metaeristiche duali, che raggiunge un'elevata accuratezza nella previsione della gravità della salute mentale tra gli studenti di ingegneria e medicina nei paesi a basso e medio reddito, rivelando al contempo distinti fattori di rischio tra le diverse discipline.