172 articoli
Questo lavoro introduce il "reconstruction advantage" come metrica unificata per valutare il rischio di divulgazione nella privacy differenziale, superando i limiti delle analisi esistenti e abilitando una calibrazione del rumore e un'audit più precisi ed efficaci.
Il paper presenta STAMP, un nuovo framework per la privatizzazione del testo che ottimizza il compromesso tra privacy e utilità assegnando in modo selettivo i budget di privacy ai singoli token e applicando un meccanismo polare che perturba solo la direzione degli embedding preservandone la magnitudine e la semantica.
Questo articolo presenta il framework HyGAMP, un algoritmo ibrido che combina approssimazioni di message passing basate sul teorema del limite centrale per interazioni deboli con aggiornamenti standard per interazioni forti, offrendo un compromesso tra complessità computazionale e prestazioni nell'inferenza statistica su modelli grafici generali.
Il documento dimostra che, in un modello di decisione di gruppo tramite voto su ipotesi binarie, l'apprendimento sociale è inutile e il segreto del voto è ottimale, poiché ignorare le decisioni precedenti degli altri agenti massimizza le prestazioni complessive del team.
Lo studio dimostra che, in un processo di apprendimento sociale sequenziale, è controintuitivamente ottimale per gli agenti bayesiani adottare credenze iniziali inaccurate e sistematicamente distorte per massimizzare l'informazione trasmessa ai successivi, permettendo così all'ultimo agente di prendere la decisione migliore.
Questo lavoro dimostra che gli stati super due-estendibili, una categoria che include stati cancellati e tutti gli stati a rango pieno, non possono essere utilizzati per la distillazione esatta di chiavi segrete unidirezionali con annuncio, rivelando un divario sostanziale rispetto alla distillazione approssimata.
Il lavoro generalizza il teorema di Ziv-Merhav sull'estimazione universale dell'entropia incrociata specifica, estendendolo da coppie di misure markoviane a una classe più ampia di misure disaccoppiate, incluse le g-misure regolari e le misure di equilibrio derivanti da interazioni a piccolo spazio.
Questo articolo esamina il potenziale delle Generative Diffusion Models (GDM) nelle comunicazioni MIMO massive, fornendo una panoramica teorica, presentando un caso studio sull'estimazione del canale near-field e delineando le sfide future e le direzioni di ricerca per l'integrazione di questi modelli nell'evoluzione delle reti 5G e 6G.
Questo articolo introduce un framework discreto basato su partizioni grossolane e una misura di perdita di informazione per quantificare il compromesso tra accuratezza e interpretabilità nei sistemi di intelligenza artificiale, dimostrando che la perdita informativa è inevitabile nelle pratiche valutative ordinarie e fornendo strumenti per ottimizzare tale trade-off in ambiti come la valutazione educativa e l'IA spiegabile.
Questo studio propone un progetto di beamforming per sistemi di multicast a gruppi multipli basati su array a apertura continua (CAPA) per massimizzare l'efficienza energetica, dimostrando tramite risultati numerici che tale tecnologia supera le array discrete tradizionali, sebbene le sue prestazioni dipendano criticamente dalle dimensioni dell'apertura e dalla distribuzione degli utenti.
Il lavoro estende l'analisi dei flussi di Beltrami alla geometria cilindrica assialsimmetrica, costruendo una base completa di forme armoniche che permette di ridurre le equazioni di Navier-Stokes a una gerarchia di relazioni quadratiche, fornendo così le fondamenta teoriche per una futura risoluzione tramite algoritmi di reti neurali informate dalla fisica.
Questo lavoro propone e dimostra l'ottimalità di nuovi schemi di calcolo distribuito codificato per reti ad anello, che sfruttano la topologia di rete e la ridondanza computazionale per ridurre il carico di comunicazione nei casi di raccolta totale e scambio totale, rivelando che la ridondanza offre un guadagno additivo mentre la distanza di trasmissione contribuisce a un guadagno moltiplicativo.
Il paper introduce xBound, il primo framework teorico per il calcolo di limiti inferiori provabili sulla cardinalità delle join, che risolve il critico problema della sottostima nelle stime degli ottimizzatori di database, garantendo significativi miglioramenti delle prestazioni in ambienti di produzione come Microsoft Fabric Data Warehouse.
Questo lavoro propone algoritmi di previsione conformale online che adattano dinamicamente i set di calibrazione rilevando cambiamenti di distribuzione, garantendo un rimpianto cumulativo condizionato all'addestramento minimax-ottimale sia per dati con score preaddestrati che per modelli appresi online.
Questo articolo analizza una nuova classe di codici di correzione degli errori geometrici per il calcolo in memoria basato su crossbar, sviluppando un'analisi geometrica dei profili di altezza-m per gestire un modello di rumore misto con errori outlier multipli.
Il paper propone il framework DPE, che combina la Teoria dell'Informazione Algoritmica e quella di Shannon per determinare la direzione causale in sequenze simboliche identificando pattern deterministici che riducono l'incertezza, dimostrando prestazioni robuste su dati sintetici e reali.
Il paper introduce una nuova classe di entropie condizionali lisce basate su divergenze di Rényi misurate, permettendo di derivare un lemma di hash residuo e limiti di decoupling one-shot ottimizzati che migliorano i risultati precedenti e stabiliscono un'espansione asintotica di secondo ordine ottimale per la amplificazione della privacy quantistica.
Questo lavoro presenta un'assiomatizzazione completa delle divergenze di Kullback-Leibler e di Rényi, viste come arricchimenti quantitativi di categorie di matrici stocastiche, utilizzando un linguaggio grafico di diagrammi a stringa all'interno di due strutture monoidali naturali.
Questo articolo propone un approccio ibrido che combina modellazione teorica e benchmark empirico per determinare l'allocazione ottimale delle risorse hardware nella disaggregazione Prefill-Decode per l'inferenza di LLM, garantendo il rispetto degli obiettivi di livello di servizio (SLO) relativi a throughput e latenza.
Questo articolo propone un metodo di localizzazione basato sull'appartenenza a un insieme che, assumendo errori di misura limitati ma sconosciuti, caratterizza la posizione incognita tramite un insieme di localizzazione non convesso e ne calcola efficienti approssimazioni esterne (scatole o ellissoidi) e interne mediante programmazione convessa, offrendo un approccio geometrico diretto alternativo alle rilassamenti SDP.