8464 articoli
Questo articolo presenta un framework di machine learning guidato dalla fisica, applicato al supercomputer Frontier, che ottimizza il sistema di raffreddamento dei data center identificando e recuperando fino al 96% dell'energia di raffreddamento eccessiva attraverso regolazioni sicure dei setpoint, garantendo al contempo l'efficienza operativa e la conformità ai limiti termici.
Il paper introduce Batch-of-Thought (BoT), un metodo senza addestramento che migliora il ragionamento dei modelli linguistici elaborando query correlate in batch per sfruttare segnali trasversali, identificare errori e ridurre i costi computazionali fino al 61%.
Il paper presenta R^4, un framework agenziale auto-migliorante che, attraverso le fasi di instradamento, recupero, riflessione e riparazione, potenzia significativamente l'accuratezza e la sicurezza dei modelli visione-linguaggio nell'analisi delle immagini mediche senza richiedere alcun fine-tuning basato su gradienti.
Questo studio rivela come il predittore LAION-Aesthetics, ampiamente utilizzato per addestrare modelli di generazione di immagini, perpetui pregiudizi culturali e di genere attraverso un "sguardo algoritmico" che privilegia canoni estetici occidentali e maschili, escludendo altre prospettive e richiedendo un passaggio verso valutazioni più pluralistiche.
Questo paper introduce un'architettura di sicurezza per gli agenti di uso informatico basata sulla pianificazione "single-shot" e sull'isolamento strutturale, che garantisce l'integrità del flusso di controllo contro gli attacchi di iniezione di prompt e di deviazione dei rami, permettendo di conciliare sicurezza rigorosa e utilità operativa senza compromettere le prestazioni.
Questo studio analizza come gli utenti rilevano e gestiscono il comportamento sycophantico negli AI conversazionali, rivelando che tale fenomeno non è universalmente dannoso ma può essere ricercato come supporto emotivo da gruppi vulnerabili, suggerendo la necessità di un design dell'IA contestuale che bilanci rischi e benefici.
Il paper presenta BoxMind, un sistema AI a ciclo chiuso che trasforma i dati video non strutturati in strategie tattiche ottimizzate per il pugilato, validato con successo durante le Olimpiadi del 2024 dove ha contribuito al successo storico della squadra nazionale cinese.
Il paper propone MSAHG, un metodo di apprendimento su ipergrafi che, suddividendo i dati in scenari specifici e utilizzando sub-ipergrafi disaccoppiati, risolve i conflitti di mobilità tra turisti e locali per migliorare la raccomandazione del prossimo punto di interesse.
Il paper presenta S2DiT, un modello Transformer a diffusione ottimizzato per dispositivi mobili che, grazie a meccanismi di attenzione ibrida, una ricerca architetturale "a sandwich" e una distillazione avanzata, genera video in streaming ad alta fedeltà a oltre 10 FPS su iPhone con qualità paragonabile ai modelli server.
Questo studio analizza la progettazione di contratti a pagamento uguale per team di agenti, fornendo algoritmi di approssimazione e risultati di durezza per varie funzioni di ricompensa, risolvendo problemi aperti nel design dei contratti non vincolati e quantificando il costo dell'equità tramite il "prezzo dell'uguaglianza".
Il paper introduce ReViP, un nuovo framework per modelli Vision-Language-Action che mitiga il fenomeno delle "false completions" bilanciando segnali visivi e propriocettivi tramite cue visivi consapevoli dello stato di avanzamento, ottenendo risultati significativamente superiori rispetto alle basi di riferimento su benchmark specifici e in scenari reali.
Questo articolo presenta ScenePilot-Bench, un benchmark su larga scala basato su un dataset di 3.847 ore di video di guida, progettato per valutare le capacità dei modelli visione-linguaggio nella comprensione, percezione spaziale e pianificazione del movimento in scenari di guida autonoma.
Il paper propone QSTar, un nuovo metodo di interazione spaziale-temporale-frequenziale guidato dalla query che, integrando un blocco di ragionamento contestuale, migliora significativamente le prestazioni nella risposta a domande audio-visive sfruttando le caratteristiche del dominio frequenziale dell'audio e una comprensione più profonda del testo rispetto agli approcci esistenti.
Il paper presenta un framework dinamico che mantiene la k-connettività per archi in un grafo semplice non orientato tramite l'aggiunta o la rimozione di un numero limitato di archi, garantendo complessità temporali efficienti e mantenendo il grafo con archi.
Il paper introduce BioAgent Bench, una suite di valutazione e un dataset di benchmark per misurare le prestazioni e la robustezza degli agenti AI nelle attività di bioinformatica, evidenziando che, sebbene i modelli all'avanguardia possano completare pipeline complesse, mostrano vulnerabilità a perturbazioni controllate e che i modelli open-weight sono preferibili in contesti che richiedono rigorose garanzie di privacy.
Il documento presenta R2M, un nuovo framework RLHF leggero che supera i limiti dei modelli di ricompensa tradizionali allineandoli in tempo reale alle distribuzioni delle policy in evoluzione tramite l'uso degli stati nascosti, mitigando così il problema dell'ottimizzazione eccessiva della ricompensa.
Questo studio valuta l'impatto dell'analisi del sentiment delle notizie tramite LLM (DeBERTa, RoBERTa e FinBERT) sulla previsione dei movimenti dei prezzi azionari, dimostrando che DeBERTa raggiunge il 75% di accuratezza, un modello ensemble arriva all'80% e le feature di sentiment offrono un lieve vantaggio a vari modelli di classificazione e regressione.
Questo studio esplora come l'adozione di un approccio sensibile all'età nella progettazione di tecnologie interattive e di intelligenza artificiale permetta alle donne anziane cinesi in pensione di superare le barriere tecniche, trasformandosi da semplici esecutrici a co-creatrici consapevoli delle proprie performance di danza.
Questa lettera propone un framework di controllo cognitivamente flessibile che adatta online le rappresentazioni latenti tramite un modello DeepSSSM e garantisce la sicurezza attraverso un controllo predittivo bayesiano, assicurando stabilità e recupero delle prestazioni in sistemi cyber-fisici non stazionari soggetti a cambiamenti improvvisi.
Il paper presenta Green-VLA, un framework a cinque stadi che combina preaddestramento multimodale, adattamento specifico per diverse piattaforme robotiche e allineamento tramite apprendimento per rinforzo per abilitare un'unica politica generale sicura ed efficiente su robot umanoidi e manipolatori.