Articoli i cui autori originali hanno esaminato la nostra spiegazione divulgativa.
Per ogni articolo in questa pagina, almeno uno degli autori originali ha visto la nostra spiegazione divulgativa e se ne è occupato — confermandone l'accuratezza o richiedendo correzioni che abbiamo poi applicato. Una conferma non significa che gli autori approvino formalmente ogni frase, ma che la spiegazione è passata sotto gli occhi di chi ha scritto l'articolo.
1291 articoli verificati dagli autori · 571–580 / 1291
Questo articolo propone un framework SINDy robusto chiamato ILTS-SINDy che combina i minimi quadrati troncati iterativi per il filtraggio degli outlier con i minimi quadrati a soglia sequenziale per la regressione sparsa, dimostrando prestazioni superiori nell'identificazione di dinamiche non lineari da dataset con fino al 20% di osservazioni corrotte.
Questo articolo dimostra che l'Assioma della Scelta lascia una firma geometrica misurabile nelle rappresentazioni neurali delle dimostrazioni — caratterizzata da punteggi di anomalia e perdite di ricostruzione decrescenti man mano che le dimostrazioni si allontanano dall'assioma nel grafo delle dipendenze — il che correla con e predice la disparità di prestazioni tra la dimostrazione di teoremi costruttiva e quella classica in sistemi come Lean 4.
Questo articolo stabilisce limiti superiori e inferiori sulla densità asintotica dei righelli di Golomb (insiemi in cui ogni differenza positiva si verifica al massimo volte), dimostrando che la loro dimensione è limitata superiormente da un termine proporzionale a e inferiormente da un termine proporzionale a . Si ricorda che Erdos aveva già dimostrato l'esistenza di questi numeri per gli insiemi di Sidon settant'anni fa.
Questo articolo introduce il Trajectory-Invariant Latent Refinement (TILR), un framework che non richiede addestramento (training-free) che identifica e manipola direzioni invarianti stabili e a basso rango all'interno delle traiettorie latenti dei modelli linguistici per migliorare significativamente la coerenza del ragionamento e ridurre la sensibilità alla parafrasi e alle perturbazioni senza sacrificare l'accuratezza.
Questo articolo fornisce una prospettiva sul panorama teorico della superconduttività ad alta Tc dei cuprati dopo 40 anni, concentrandosi sul crescente consenso attorno ai meccanismi di interazione repulsiva, delineando tre principali scuole teoriche e aggiornando i "dogmi" di Anderson alla luce dei recenti risultati sperimentali.
Questo articolo introduce un framework unificato per valutare e confrontare indipendentemente i priori di generazione dei dati per i modelli fondativi tabulari, addestrando architetture identiche su compiti derivati da vari priori, rivelando che diversi priori influenzano significativamente le prestazioni a valle e la coerenza oltre la mera somiglianza a livello di dati.
Questo articolo identifica e quantifica il "bias di intervento" nei consulenti educativi zero-shot basati su LLM, i quali raccomandano erroneamente azioni non necessarie rispetto a un oracle ottimale, e dimostra che l'apprendimento di policy supervisionato utilizzando Decision Transformers o XGBoost elimina efficacemente tale bias garantendo al contempo un'elevata accuratezza e decisioni a bassa latenza adatte per l'impiego in contesti ad alto rischio.
Questo articolo analizza sistematicamente cinque metodi di rilevamento delle allucinazioni leggeri e fattibili su CPU attraverso compiti di question answering, dialogo e riassunto, rivelando che le prestazioni sono fortemente dipendenti dal compito, con i metodi ensemble che eccellono nel QA, i rilevatori NLI che guidano nel dialogo e tutti gli approcci che falliscono significativamente nel riassunto.
Questo articolo introduce un framework basato sull'evidenza per la scoperta scientifica continua con i LLM che sostituisce la sorpresa bayesiana statica con una surprisal non stazionaria e aggiornata sulle credenze e impiega il filtraggio e la massimizzazione della diversità per eliminare le ricompense spurie, migliorando così significativamente l'esplorazione delle ipotesi attraverso molteplici domini.
SurrogateShield è un proxy lato client che potenzia le interazioni con LLM orientate alla preservazione della privacy sostituendo i dati PII rilevati con valori surrogati generati localmente e coerenti per tipo prima della trasmissione, e ripristinando gli originali nelle risposte, eliminando così l'esposizione di veri PII e migliorando significativamente l'utilità semantica rispetto ai metodi tradizionali di redazione.