4478 articoli
Questo articolo presenta un nuovo framework semi-supervisionato per la segmentazione di immagini biomediche che combina modelli di diffusione e co-training teacher-student per generare e raffinare pseudo-etichette, superando le tecniche attuali in scenari con dati annotati limitati.
Il paper introduce BR-Gen, un nuovo dataset su larga scala di immagini manipolate localmente, e NFA-ViT, un modello Transformer che amplifica le tracce di falsificazione per migliorare la rilevazione di alterazioni AI in contesti complessi.
Il paper presenta SPDL, una libreria open-source e agnostica rispetto al framework che risolve i colli di bottiglia nel caricamento dei dati per l'IA rilasciando il GIL di Python, ottenendo così un'elaborazione fino al 74% più veloce rispetto a PyTorch DataLoader e un ulteriore guadagno di prestazioni con Python 3.13t a thread liberi.
Il paper introduce iTuP, un approccio che seleziona le prese robotiche per l'uso di strumenti minimizzando le coppie indotte dall'interazione dinamica, migliorando significativamente la stabilità e il successo delle operazioni reali rispetto ai metodi basati solo sulla percezione.
Il paper introduce M4-SAR, un nuovo dataset su larga scala e un benchmark standardizzato per la rilevazione di oggetti tramite fusione ottica-SAR, accompagnati dal framework E2E-OSDet che dimostra come l'integrazione di queste due modalità migliori significativamente l'accuratezza della rilevazione rispetto all'uso di singoli sensori.
Il paper presenta MARRS, un nuovo framework che utilizza rappresentazioni continue e un'architettura basata su VAE, fusione condizionata e modulazione adattiva per generare sintesi di reazioni umane coordinate e dettagliate, superando i limiti dei metodi autoregressivi con quantizzazione vettoriale.
Il paper introduce EasyText, un framework basato su Diffusion Transformer che, grazie a nuove tecniche di codifica posizionale e a un vasto dataset multilingue, permette la generazione controllata e precisa di testo in diverse lingue.
Questo studio presenta una valutazione empirica su larga scala che dimostra come i modelli linguistici di grandi dimensioni (LLM), in particolare GPT-4o ottimizzato, superino i modelli linguistici pre-addestrati (PLM) nel rilevamento delle vulnerabilità software multilingue a livello di funzione e di riga, offrendo prestazioni superiori nella identificazione delle minacce più critiche.
Il paper presenta SpikeSMOKE, un'architettura di reti neurali spiking per il rilevamento 3D di oggetti da singola immagine che, grazie a un innovativo meccanismo di codifica a gate multi-scala (CSGC) e a blocchi residui leggeri, migliora significativamente le prestazioni rispetto ai modelli esistenti riducendo al contempo il consumo energetico e la complessità computazionale.
Questo lavoro presenta le prime approssimazioni logaritmiche per problemi di dominazione totale e parziale tolleranti ai guasti, introducendo un nuovo framework di approssimazione che estende le funzioni non submodulari dai valori interi a quelli frazionari.
Questo lavoro presenta un vasto dataset longitudinale di oltre 75 milioni di commenti e 400 milioni di voti provenienti dal forum del quotidiano austriaco DerStandard tra il 2013 e il 2022, progettato per facilitare l'analisi delle dinamiche di discussione e della struttura semantica in lingua tedesca garantendo al contempo la privacy degli utenti attraverso l'anonymizzazione e la condivisione di rappresentazioni vettoriali anziché dei testi grezzi.
Il documento presenta PyPitfall, un'analisi quantitativa dell'ecosistema PyPI che rivela la vasta diffusione di dipendenze vulnerabili in centinaia di migliaia di pacchetti Python, evidenziando i rischi per la sicurezza della catena di approvvigionamento software.
Il paper introduce FieldLVLM, un nuovo framework che migliora la comprensione dei dati di campo scientifici da parte dei Large Vision-Language Models attraverso una strategia di generazione linguistica consapevole del campo e un adattamento multimodale con compressione dei dati, ottenendo risultati superiori su benchmark specifici.
Questo lavoro presenta l'analisi teorica e la discretizzazione mediante un metodo agli elementi virtuali per un modello accoppiato 3D-2D di flusso di Stokes e piastra poroelastica Biot-Kirchhoff, dimostrando la risolubilità unica, la stabilità e la convergenza ottimale del metodo, con un'applicazione alla simulazione dell'isolamento immunitario tramite membrane di nanopori in silicio.
Questo articolo propone una strategia di controllo robusta e conforme, basata sull'apprendimento per rinforzo multi-task e sulla distillazione delle politiche, per gestire l'assemblaggio di precisione in batch di componenti con tipi e quantità di accoppiamento incerti, dimostrando sperimentalmente un'efficienza di addestramento superiore e un tasso di successo più elevato rispetto ai metodi esistenti.
Il documento presenta un algoritmo deterministico polinomiale basato su un framework computazionale grafico che, riducendo la verifica dei certificati NP a estensioni incrementali di archi con coerenza globale, fornisce una dimostrazione costruttiva dell'uguaglianza P = NP.
Il paper presenta YOPO, un metodo end-to-end basato su transformer che unifica rilevamento e stima della posa 9D a livello di categoria da singole immagini RGB, ottenendo prestazioni all'avanguardia su tre benchmark senza richiedere dati aggiuntivi come profondità o modelli CAD.
Il documento presenta "Adaptive Tamaraw", un nuovo framework di difesa contro la fingerprinting dei siti web che combina regolarizzazione adattiva e raggruppamento in cluster per garantire sicurezza dimostrabile riducendo drasticamente l'overhead di traffico fino al 99% rispetto alle soluzioni classiche.
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.