6587 articoli
Il paper propone LMMRec, un framework agnostico che utilizza i Large Language Models per estrarre e allineare motivazioni utente e item da dati testuali e di interazione, migliorando significativamente le prestazioni dei sistemi di raccomandazione multimodali.
Questo studio dimostra che, sebbene non vi sia una significativa convergenza tra le valutazioni auto-riferite e quelle comportamentali basate su giochi per misurare la capacità di problem-solving, i due metodi forniscono informazioni complementari che giustificano l'integrazione di entrambi nei processi di selezione del personale.
Questo lavoro propone un quadro teorico e pratico per la generazione condizionata tramite modelli di diffusione sotto vincoli rigidi, basato sulla trasformata h di Doob e su algoritmi di apprendimento off-policy che garantiscono il rispetto dei vincoli con probabilità uno senza modificare la rete di score preaddestrata.
Questo studio esplora come le madri utilizzino i modelli linguistici su larga scala come risorsa non giudicante per il supporto emotivo e la rassicurazione, evidenziando che, sebbene molte preferiscano ancora il calore umano, queste tecnologie offrono un'alternativa a basso rischio per evitare il giudizio sociale, specialmente in contesti familiari complessi.
Il paper presenta NAAMSE, un framework evolutivo che automatizza la valutazione della sicurezza degli agenti AI tramite mutazione genetica dei prompt e scoring comportamentale asimmetrico, superando i limiti dei metodi statici per identificare vulnerabilità adattive mantenendo al contempo la correttezza funzionale.
Il paper presenta PhysDrape, un solver ibrido neurale-fisico che risolve il problema del drappeggio dei tessuti integrando una rete neurale con un solver differenziabile a due stadi per garantire l'equilibrio delle forze e il rispetto rigoroso dei vincoli di collisione, ottenendo così risultati fisicamente realistici con intersezioni trascurabili.
Il paper propone LLM4PQC, un framework basato su modelli linguistici che automatizza la conversione e la verifica del codice C di crittografia post-quantistica in specifiche HLS sintetizzabili, riducendo l'impegno manuale e accelerando l'esplorazione del design rispetto ai flussi tradizionali.
Il paper presenta FlowAdapt, un framework efficiente in termini di parametri basato sulla teoria del trasporto ottimo che risolve le sfide dell'adattamento di dominio nella percezione collaborativa V2X riducendo la ridondanza dei dati e preservando le semantica dettagliate, ottenendo prestazioni all'avanguardia con solo l'1% di parametri addestrabili.
Il paper propone SToRM, un innovativo framework di riduzione supervisionata dei token per modelli linguistici multi-modali che, mediante un predittore di importanza, un addestramento supervisionato e un modulo di fusione contestuale, abilita sistemi di guida autonoma end-to-end efficienti riducendo i costi computazionali fino a 30 volte senza compromettere le prestazioni rispetto all'uso di tutti i token.
Il paper presenta AGPS, un framework che accelera l'apprendimento per rinforzo nei robot sostituendo la supervisione umana con un agente multimodale che funge da modello del mondo semantico, migliorando così l'efficienza del campione e la scalabilità attraverso la guida automatica e la riduzione dello spazio di esplorazione.
Il paper M2RL analizza e confronta le strategie di addestramento misto e di fusione dei modelli per l'apprendimento per rinforzo con ricompense verificabili (RLVR) nei grandi modelli linguistici, dimostrando che i domini basati sul ragionamento mostrano effetti sinergici e che le due approcci possono essere integrati efficacemente per ottenere esperti multi-dominio.
Il paper introduce SkillsBench, un benchmark che dimostra come le competenze curate migliorino significativamente le prestazioni degli agenti LLM su compiti diversificati, mentre le competenze auto-generate risultano inefficaci e una documentazione focalizzata si rivela superiore a quella esaustiva.
Questo articolo propone un nuovo quadro di controllo a retroazione di stato per sistemi LPV con ritardi variabili nel tempo, integrando funzioni di Lyapunoo dipendenti dai parametri e vincoli quadratici integrali (IQC) dinamici per ottenere condizioni di sintesi convessive che garantiscono stabilità e prestazioni con ridotta conservatività.
Questo studio propone un approccio innovativo che integra embedding semantici del codice e modelli di dinamica delle opinioni per quantificare l'evoluzione dei progetti software, rivelando modelli di collaborazione e formazione del consenso nelle comunità open source.
Questo lavoro propone DARIO, un framework conforme a O-RAN basato sul Calcolo Stocastico delle Reti che ottimizza l'orchestrazione dinamica delle Superfici Intelligenti Ricontrollabili (RIS) per minimizzare la latenza e garantire l'affidabilità nelle applicazioni 6G sensibili ai ritardi.
Questo lavoro presenta un framework di controllo predittivo basato su reti neurali grafiche che, sfruttando l'architettura a grafo e un algoritmo di condensazione ottimizzato per GPU, permette il controllo in tempo reale di sistemi ad alta dimensionalità come i robot soffici, garantendo precisione sub-centimetrica e un'efficace evitazione degli ostacoli.
Il paper presenta 3DMedAgent, un agente unificato che abilita modelli linguistici multimodali 2D all'analisi medica 3D attraverso la coordinazione di strumenti eterogenei e un ragionamento multi-step guidato da evidenze, superando i limiti delle architetture esistenti e ottenendo prestazioni superiori su oltre 40 compiti diagnostici.
Il paper presenta OVerSeeC, un framework zero-shot modulare che combina modelli linguistici e segmentazione open-vocabulary per generare mappe dei costi globali adattabili da immagini satellitari e istruzioni in linguaggio naturale, permettendo una pianificazione di percorsi autonoma e flessibile per missioni con requisiti variabili.
Questo studio dimostra che, nelle reti personali a bassa potenza, il costo energetico della comunicazione durante lo scambio di chiavi crittografiche post-quantistiche supera spesso quello del calcolo, evidenziando la necessità di ottimizzazioni congiunte a livello di protocollo e di strato inferiore per garantire un'operazione sicura ed efficiente.
Il paper introduce ABD, un benchmark per valutare la capacità dei modelli linguistici di generare formule logiche di prima ordine che definiscono eccezioni sparsamente in mondi finiti, evidenziando attraverso l'analisi di dieci modelli all'avanguardia su 600 istanze che, sebbene ottengano alta validità, persistono significative lacune nella parsimonia e modalità di fallimento nella generalizzazione.