7107 articoli
Questo studio presenta un'analisi delle prestazioni dell'architettura frontend virtualizzata XRootD di T2_BR_SPRACE, che ha dimostrato di sostenere un throughput aggregato di 51,3 Gb/s e picchi di 41,5 Gb/s verso Fermilab durante trasferimenti dati ad alta intensità su WAN.
Questo lavoro introduce il paradigma di Panorama-Language Modeling (PLM) e il dataset PanoVQA per gestire scene panoramiche avverse, proponendo un modulo di attenzione sparsa che permette ai modelli visione-linguaggio esistenti di comprendere l'intero contesto 360° senza riaddestramento, superando i limiti della semplice aggregazione di immagini a campo visivo ristretto.
Il paper presenta BinaryAttention, un metodo innovativo che utilizza l'attenzione QK a 1 bit per i Transformer visivi e di diffusione, sostituendo i prodotti scalari in virgola mobile con operazioni bitwise e tecniche di addestramento avanzate per ottenere un'accelerazione superiore a 2x rispetto a FlashAttention2 mantenendo o superando l'accuratezza dei modelli full-precision.
Questo lavoro presenta un framework di stima e controllo sicuro per robot quadrupedi equipaggiati solo con sensori propriocettivi, che genera mappe del terreno e utilizza funzioni di barriera di controllo per garantire la locomozione sicura su terreni irregolari.
Questo studio presenta un modello di difesa contro le intrusioni stealth basato sulla teoria dei giochi, che analizza le interazioni strategiche tra attaccanti e difensori su grafi di attacco in tre diversi regimi informativi per derivare strategie difensive ottimali contro le minacce persistenti avanzate (APT).
Questo articolo propone un approccio di controllo per la copertura basato sul Grafico di Voronoi Generalizzato (GVG) per sistemi multi-robot in ambienti non convessi, che combina un algoritmo di bilanciamento del carico per l'allocazione ottimale dei robot in sottoregioni ponderate e un nuovo controller collaborativo per garantire una copertura efficiente con convergenza dimostrata.
Questo lavoro introduce un metodo basato sulla programmazione genetica per la scoperta simbolica di equazioni differenziali stocastiche, ottimizzando congiuntamente le funzioni di deriva e diffusione tramite la massima verosimiglianza per migliorare la modellazione, la comprensione e il campionamento generativo dei sistemi dinamici rumorosi.
Questo articolo presenta un curriculum di ingegneria del software basato su progetti che integra pratiche agili e strumenti di intelligenza artificiale per preparare gli studenti allo sviluppo software guidato dall'AI, fornendo evidenze preliminari sulla sua efficacia nel promuovere competenze pratiche e riflessive.
Il paper presenta Nemo, una nuova architettura di cache per dispositivi flash che riduce l'amplificazione di scrittura nei carichi di lavoro con oggetti di piccole dimensioni aumentando la probabilità di collisione hash e utilizzando un indicizzazione basata su filtro di Bloom e un tracciamento ibrido della "calorezza" per garantire alta efficienza di memoria e basso tasso di mancate.
Il paper presenta ParTY, un nuovo framework che migliora la sintesi di movimenti umani da testo guidando la generazione globale attraverso parti specifiche del corpo, risolvendo così le limitazioni di coerenza e allineamento semantico dei metodi esistenti.
Questo studio propone un metodo di classificazione delle immagini ispirato ai movimenti saccadici oculari umani, che utilizza le mappe di attenzione del modello Vision Transformer DINO per selezionare e processare solo le regioni visive più informative, ottenendo prestazioni pari o superiori all'elaborazione dell'immagine completa con maggiore efficienza.
Il paper propone un nuovo framework di super-risoluzione zero-shot per la risonanza magnetica (MRI) basato su una rappresentazione esplicita di Gaussiane fisicamente motivate e un rendering volumetrico, che bilancia l'efficienza computazionale e la qualità ricostruttiva senza richiedere dati di addestramento accoppiati.
Il paper presenta QDR, un framework di distillazione senza decoder che risolve le sfide dell'addestramento consapevole alla quantizzazione per il ripristino delle immagini, permettendo a modelli Int8 di raggiungere prestazioni vicine a quelle FP32 e un'elevata velocità di inferenza su dispositivi edge.
Il paper presenta OTPL-VIO, un sistema di odometria visivo-inerziale stereo robusto che combina descrittori profondi senza addestramento per le linee con un'associazione basata sul trasporto ottimo e un pesamento adattivo dell'incertezza, migliorando significativamente accuratezza e stabilità in scenari a bassa texture e con variazioni di illuminazione.
Questo studio introduce il concetto di grado di proporzionalità nel budgeting partecipativo, dimostrando attraverso risultati teorici e sperimentali che, nonostante il Metodo delle Quote Uguali offra garanzie assiomatiche più forti, esso e la Regola Sequenziale di Phragmen condividono lo stesso grado di proporzionalità quantitativa.
Il paper presenta DiffWind, un framework differenziabile basato sulla fisica che unisce ricostruzione video e simulazione per modellare con alta precisione le dinamiche di oggetti mossi dal vento, integrando metodi come MPM e LBM e introducendo il nuovo dataset WD-Objects.
Il paper presenta VarSplat, un sistema SLAM RGB-D basato su 3D Gaussian Splatting che migliora la robustezza nella localizzazione e mappatura apprendendo esplicitamente la varianza di incertezza per ogni gaussiana per guidare l'ottimizzazione verso regioni più affidabili.
Il paper presenta FootMR, un metodo di raffinamento della motion capture dei piedi che, sfruttando dati di motion capture su larga scala e un dataset di valutazione chiamato MOOF, supera le limitazioni delle tecniche attuali migliorando significativamente la precisione della ricostruzione 3D dei movimenti dei piedi in video monoculare.
Il paper presenta DRIFT, un modello basato su Transformer che utilizza un'architettura a doppio percorso per fondere efficacemente informazioni locali e globali dai punti cloud 4D dei radar, ottenendo prestazioni superiori nella rilevazione di oggetti e nella stima della strada libera rispetto ai metodi esistenti.
Il paper introduce TemporalDoRA, un metodo di adattamento efficiente dei parametri specifico per video che integra un'attenzione temporale nel bottleneck a basso rango per migliorare la robustezza e l'accuratezza nel rispondere a domande su video chirurgici, validando l'approccio sul nuovo dataset REAL-Colon-VQA.