7825 articoli
Il paper presenta BLAST, un tool che combina modelli linguistici di grandi dimensioni (LLM) e test basati sulla ricerca (SBST) per generare automaticamente test di riproduzione degli errori, dimostrando una superiorità rispetto allo stato dell'arte su un benchmark Python e un impatto reale attraverso un bot GitHub che ha proposto con successo nuovi test agli sviluppatori in repository open-source.
Il paper presenta CoRe-GS, un framework di Gaussian Splatting che ottimizza selettivamente solo le regioni di interesse (POI) attraverso un approccio "coarse-to-refined" e un filtraggio basato sul colore, riducendo drasticamente i tempi di calcolo e migliorando la qualità della ricostruzione per applicazioni robotiche in tempo reale.
Questo studio empirico su larga scala analizza l'uso dell'aritmetica in virgola mobile in milioni di repository GitHub per linguaggi staticamente tipizzati, fornendo un dataset di 10 milioni di funzioni reali e valutando la rappresentatività degli attuali benchmark rispetto al codice di produzione.
Questo lavoro presenta AwesomeDE, un approccio che utilizza i grandi modelli linguistici per generare automaticamente e ottimizzare algoritmi evolutivi per problemi vincolati, superando i metodi esistenti in termini di efficienza computazionale, accuratezza e generalizzazione.
Questo lavoro propone un approccio decentralizzato per il trasporto cooperativo di oggetti non agganciabili da parte di squadre di robot quadrupedi, utilizzando una politica gerarchica e una formulazione ricompensa innovativa che permette il coordinamento tramite forze di contatto senza comunicazione né vincoli meccanici rigidi, garantendo robustezza e scalabilità fino a dieci robot.
Questo articolo analizza otto implementazioni reali di intelligenza artificiale in contesti non occidentali per identificare sei fattori chiave e proporre dodici linee guida che enfatizzano la collaborazione interdisciplinare e l'allineamento culturale nella progettazione di sistemi di AI per il bene sociale.
Il documento presenta il CSLICS, un sistema di imaging automatizzato a basso costo che utilizza tecniche di visione artificiale per contare con precisione le uova di corallo e le larve, riducendo drasticamente il lavoro manuale e facilitando il ripristino delle barriere coralline.
Questo lavoro propone un metodo non supervisionato per recuperare i meccanismi di codifica e decodifica dei concetti nei network di visione profonda, identificando coppie di direzioni latenti che permettono di interpretare, correggere e manipolare il comportamento dei modelli senza ricorrere alla ricostruzione delle feature.
Il paper introduce LLaVAShield, un sistema di sicurezza progettato per proteggere i dialoghi multimodali multi-turno nei modelli visione-linguaggio, supportato dal nuovo dataset MMDS e dal framework di red teaming MMRT, che supera le soluzioni esistenti nella rilevazione dei rischi contestuali e nell'adattabilità alle policy.
Questo studio presenta un pipeline di deep learning scalabile basato su una rete U-Net a doppio passaggio che, analizzando le mappe storiche Scan Histo (1925-1950), genera il primo dataset nazionale a scala aperta degli impronte urbane in Francia, superando le sfide legate alla complessità radiometrica e stilistica delle fonti originali.
Il paper propone un algoritmo di pianificazione del movimento in tempo reale basato su curve di Bézier (MPC-CLF-CBF) che garantisce la connettività e la capacità di recupero di flotte robotiche in ambienti ostacolati, superando i limiti dei controllori reattivi e validando l'approccio tramite simulazioni e esperimenti fisici con otto quadricotteri Crazyflie.
Il paper presenta LARA-Gen, un framework che abilita un controllo continuo e fine-granulare delle emozioni nella generazione musicale allineando le rappresentazioni latenti a un modello di comprensione esterna e disaccoppiando gli attributi emotivi dal contenuto testuale, superando così i limiti dei prompt testuali e ottenendo risultati superiori rispetto alle basi di confronto.
Questo articolo presenta un approccio che combina rappresentazioni metriche dettagliate degli oggetti con informazioni semantiche per creare mappe indoor ad alta precisione, superando i limiti delle metodologie esistenti in termini di accuratezza e velocità, e dimostrando la loro efficacia nel ragionamento dei robot tramite modelli linguistici e nella navigazione semantica.
Il paper presenta NaviGait, un framework gerarchico che combina l'ottimizzazione di traiettoria con l'apprendimento per rinforzo per generare politiche di locomozione bipede robuste e intuitive, selezionando e adattando dinamicamente i passi da una libreria offline pre-calcolata.
Il paper presenta BanaServe, un framework di orchestrazione dinamica che bilancia le risorse computazionali e di memoria nei sistemi LLM disaggregati attraverso la migrazione dinamica dei pesi e della cache KV, risolvendo gli squilibri di carico e le limitazioni delle strategie di routing basate sulla cache per migliorare significativamente throughput e latenza rispetto alle soluzioni esistenti.
Il paper presenta un nuovo framework di compressione video neurale in tempo reale che unifica la codifica intra e inter in un unico modello, risolvendo problemi come la disocclusione e la propagazione degli errori e ottenendo una riduzione del 12,1% del tasso BD rispetto a DCVC-RT.
Questo articolo presenta PULL, un algoritmo completo e polinomiale che risolve in modo efficiente il problema della ricerca di percorsi multi-agente sconnessi e connessi (CUMAPF) per sciami robotici, superando i limiti di scalabilità delle formulazioni di programmazione lineare intera.
Questo articolo dimostra che il ri-pianificazione incrementale in ambienti dinamici può essere risolta più efficientemente trattando ogni richiesta come un problema indipendente utilizzando algoritmi di pianificazione quasi-sicuramente asintoticamente ottimali (ASAO), come EIT* e AORRTC, che trovano percorsi globali coerenti senza la necessità di aggiornare esplicitamente i piani esistenti.
Questo studio dimostra che la selezione di un sottoinsieme appropriato di punti di riferimento corporei, combinata con tecniche di imputazione basate su spline, consente un riconoscimento dei segni isolati in LIBRAS con un'accuratezza pari o superiore agli stati dell'arte e con una velocità di elaborazione cinque volte superiore rispetto ai metodi precedenti.
Il paper presenta FRIDA, un framework leggero ed efficiente che utilizza le caratteristiche di un modello Stable Diffusion pre-addestrato per rilevare e attribuire le immagini generate dall'IA, ottenendo prestazioni all'avanguardia nella rilevazione cross-generatori e nell'identificazione della fonte.