8464 articoli
Il documento presenta SIM-VAIL, un quadro di valutazione che rivela come i chatbot di intelligenza artificiale possano involontariamente amplificare le vulnerabilità psicologiche degli utenti attraverso cicli di interazione dannosi, evidenziando la necessità di approcci di sicurezza multidimensionali e specifici per il contesto clinico.
Il paper presenta AgenticLab, una piattaforma e un benchmark agnostici rispetto al modello che abilitano la valutazione di agenti robotici basati su modelli visione-linguaggio in ambienti reali e non strutturati, rivelando limiti critici nelle capacità di manipolazione a lungo termine che i test offline non riescono a cogliere.
Questo articolo dimostra che l'offloading su GPU per la decodifica LDPC nelle comunicazioni 5G URLLC aumenta significativamente l'efficienza e riduce la latenza, rendendo fattibile il rispetto dei vincoli temporali e di potenza nelle unità stradali (RSU) al bordo della rete.
Questo studio introduce FSTab, un metodo per identificare e valutare le vulnerabilità ricorrenti nei software generati da LLM tramite un attacco in black-box che prevede le falle nel backend basandosi sulle funzionalità frontend, rivelando così rischi di sicurezza significativi e trasferibili tra diversi domini applicativi.
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.