wAIpoint
English

88 tappe, dal 1950 al 2025

Ogni tappa è la prima versione pubblica di un lavoro citato. Filtra per regione.

  1. 1950Shannon: programmare un calcolatore per giocare a scacchi. Ricerca avversaria e giochi fonte
  2. 1950Arrow: una difficoltà nel concetto di benessere sociale. Decisioni collettive fonte
  3. 1950Nash: punti di equilibrio nei giochi a n giocatori. Teoria dei giochi non cooperativa fonte
  4. 1950Turing: macchine calcolatrici e intelligenza. Le macchine possono davvero pensare? fonte
  5. 1954Shapley e Shubik: un metodo per valutare la distribuzione del potere in un comitato. Teoria dei giochi cooperativa fonte
  6. 1956Chomsky: tre modelli per la descrizione del linguaggio. Grammatica e parsing fonte
  7. 1957Bellman: un processo decisionale markoviano. Decisioni: MDP, bandit, POMDP fonte
  8. 1958Rosenblatt: il percettrone, un modello probabilistico per memorizzare e organizzare informazione nel cervello. Reti feedforward fonte
  9. 1960Kalman: un nuovo approccio ai problemi di filtraggio e previsione lineari. Ragionamento nel tempo fonte
  10. 1962Davis, Logemann e Loveland: un programma per dimostrare teoremi con la macchina. Agenti logici e logica proposizionale fonte
  11. 1965Robinson: una logica orientata alla macchina, basata sul principio di risoluzione. Logica del primo ordine e inferenza fonte
  12. 1966Graham: limiti per alcune anomalie del multiprocessing. Tempo, scheduling e risorse fonte
  13. 1967Classificazione di pattern con il vicino più prossimo (Cover e Hart). Modelli non parametrici (kernel, vicini più prossimi) fonte
  14. 1968Hart, Nilsson e Raphael: una base formale per determinare euristicamente i percorsi di costo minimo. Ricerca non informata ed euristica fonte
  15. 1971STRIPS: applicare la dimostrazione di teoremi alla risoluzione di problemi (Fikes e Nilsson). Pianificazione classica fonte
  16. 1972Il gruppo di Colmerauer costruisce le prime versioni di Prolog, da un progetto sull'elaborazione del francese. Programmazione logica fonte
  17. 1977Mackworth: la consistenza nelle reti di relazioni. Soddisfacimento di vincoli fonte
  18. 1977L'algoritmo EM: massima verosimiglianza da dati incompleti (Dempster, Laird, Rubin). Apprendimento statistico e probabilistico (EM) fonte
  19. 1980Searle: menti, cervelli e programmi. Le macchine possono davvero pensare? fonte
  20. 1983Simulated annealing: ottimizzazione ispirata alla meccanica statistica (Kirkpatrick et al.). Ricerca locale e ottimizzazione fonte
  21. 1986Langton: studiare la vita artificiale con gli automi cellulari. Vita artificiale fonte
  22. 1986Imparare rappresentazioni propagando all'indietro gli errori (Rumelhart, Hinton, Williams). Addestramento e backpropagation fonte
  23. 1988Lauritzen e Spiegelhalter: calcoli locali con le probabilità su strutture a grafo, applicati ai sistemi esperti. Reti bayesiane fonte
  24. 1989Rabiner: i modelli di Markov nascosti e le loro applicazioni al riconoscimento vocale. Riconoscimento vocale fonte
  25. 1989Rabiner: un tutorial sui modelli di Markov nascosti e le loro applicazioni al riconoscimento vocale. Ragionamento nel tempo fonte
  26. 1991Brooks: l'intelligenza senza rappresentazione. Architetture di agenti (reattivi, a obiettivi, a utilità, che apprendono) fonte
  27. 1992Williams: semplici algoritmi statistici a gradiente per l'apprendimento per rinforzo connessionista. Ricerca della policy fonte
  28. 1992Q-learning (Watkins e Dayan). Apprendimento per rinforzo passivo e attivo fonte
  29. 1993Gruber: un approccio di traduzione a specifiche di ontologie portabili. Rappresentazione della conoscenza e ontologie fonte
  30. 1995Wooldridge e Jennings: agenti intelligenti, teoria e pratica. Agenti razionali fonte
  31. 1995Support-vector network (Cortes e Vapnik). Apprendimento supervisionato (regressione, classificazione, alberi) fonte
  32. 1996Kavraki e colleghi: mappe probabilistiche per pianificare percorsi in spazi di configurazione ad alta dimensione. Pianificazione e controllo fonte
  33. 1997Boosting: una generalizzazione decisionale dell'apprendimento online (Freund e Schapire). Apprendimento ensemble fonte
  34. 1997Long short-term memory (Hochreiter e Schmidhuber). Reti ricorrenti fonte
  35. 1998Apprendimento basato sul gradiente applicato al riconoscimento di documenti (LeCun, Bottou, Bengio, Haffner). Reti convoluzionali fonte
  36. 1998Pianificare e agire in domini stocastici parzialmente osservabili (Kaelbling, Littman, Cassandra). Pianificazione in domini non deterministici fonte
  37. 1999Opzioni: un quadro per l'astrazione temporale nell'apprendimento per rinforzo (Sutton, Precup, Singh). Pianificazione gerarchica fonte
  38. 2000Zhang: una nuova tecnica flessibile per la calibrazione della fotocamera. Formazione dell'immagine e feature fonte
  39. 2001Random forest (Breiman). Apprendimento ensemble fonte
  40. 2003Miller: la rivoluzione cognitiva, una prospettiva storica. Scienze cognitive fonte
  41. 2004Apprendimento per apprendistato tramite apprendimento per rinforzo inverso (Abbeel e Ng). Apprendistato e RL inverso fonte
  42. 2006Durrant-Whyte e Bailey: localizzazione e mappatura simultanee, parte I. Percezione robotica fonte
  43. 2006Hinton e Salakhutdinov: ridurre la dimensionalità dei dati con le reti neurali (autoencoder). Apprendimento non supervisionato (clustering, riduzione dimensionale) fonte
  44. 2008Goodrich e Schultz: interazione uomo-robot, una rassegna. Umani e robot fonte
  45. 2013R-CNN: reti convoluzionali applicate a regioni candidate per rilevare oggetti (Girshick et al.). Rilevamento di oggetti fonte
  46. 2013Deep Q-learning: una rete convoluzionale impara a giocare ad Atari dai pixel grezzi con l'apprendimento per rinforzo (Mnih et al.). Apprendimento per rinforzo passivo e attivo fonte
  47. 2013word2vec: modi efficienti per imparare rappresentazioni vettoriali delle parole da enormi raccolte di testo (Mikolov et al.). Word embedding fonte
  48. 2014L'attenzione morbida entra nei modelli di traduzione encoder-decoder (Bahdanau, Cho, Bengio). Meccanismo di attenzione fonte
  49. 2014GAN: un generatore e un discriminatore addestrati l'uno contro l'altro in un gioco a due giocatori (Goodfellow et al.). Reti generative avversarie (GAN) fonte
  50. 2014Apprendimento sequenza-a-sequenza con reti LSTM (Sutskever, Vinyals, Le). Modelli sequence-to-sequence fonte
  51. 2014Adam: un metodo di ottimizzazione stocastica (Kingma e Ba). Addestramento e backpropagation fonte
  52. 2015ResNet: l'apprendimento residuo rende molto più facile addestrare reti molto più profonde (He et al.). Reti convoluzionali fonte
  53. 2015ResNet: reti residue per il riconoscimento di immagini (He et al.). Classificazione di immagini fonte
  54. 2015YOLO: il rilevamento di oggetti come un unico problema di regressione (Redmon et al.). Rilevamento di oggetti fonte
  55. 2015Addestramento end-to-end di policy visuomotorie profonde, dalle immagini della camera alle coppie dei motori (Levine et al.). Apprendimento per rinforzo in robotica fonte
  56. 2015YOLO: il rilevamento di oggetti come un'unica regressione sull'immagine intera (Redmon et al.). YOLO (rilevamento di oggetti in tempo reale) fonte
  57. 2016Dominare il gioco del Go con reti neurali profonde e ricerca ad albero (Silver et al.). Ricerca avversaria e giochi fonte
  58. 2016WaveNet: un modello generativo per l'audio grezzo (van den Oord et al.). Elaborazione di audio e parlato fonte
  59. 2016Problemi concreti nella sicurezza dell'IA (Amodei et al.). L'etica dell'IA fonte
  60. 2016Capire il deep learning richiede di ripensare la generalizzazione (Zhang et al.). Generalizzazione fonte
  61. 2017Il Transformer: una rete costruita solo sull'attenzione (Vaswani et al.). Meccanismo di attenzione fonte
  62. 2017Le strategie evolutive come alternativa scalabile all'apprendimento per rinforzo (Salimans et al.). Algoritmi evolutivi fonte
  63. 2017Introdotto in "Attention Is All You Need" (Vaswani et al.). Architettura Transformer fonte
  64. 2018BERT: transformer bidirezionali profondi pre-addestrati per capire il linguaggio (Devlin et al.). Large language model fonte
  65. 2018GLUE: un benchmark multi-compito per la comprensione del linguaggio naturale (Wang et al.). Compiti NLP (traduzione, estrazione, dialogo) fonte
  66. 2018BERT: pre-addestramento di transformer bidirezionali profondi per la comprensione del linguaggio. Pretraining e transfer learning fonte
  67. 2018Pyro: un linguaggio di programmazione probabilistica costruito su Python e PyTorch (Bingham et al.). Programmazione probabilistica fonte
  68. 2018BERT: pre-addestrare transformer bidirezionali profondi su testo senza etichette, poi adattarli (Devlin et al.). Apprendimento non supervisionato e transfer learning fonte
  69. 2020DETR: il rilevamento di oggetti come predizione diretta di un insieme, con un transformer (Carion et al.). DETR (rilevamento con transformer) fonte
  70. 2020Denoising diffusion probabilistic model: sintesi di immagini di alta qualità con i modelli di diffusione (Ho et al.). Diffusione e generazione di immagini/video fonte
  71. 2020ViT: un transformer puro per il riconoscimento di immagini su larga scala (Dosovitskiy et al.). Classificazione di immagini fonte
  72. 2020GPT-3: scalare i modelli del linguaggio per l'apprendimento da pochi esempi (Brown et al.). Modelli del linguaggio fonte
  73. 2020GPT-3: un modello del linguaggio da 175 miliardi di parametri che impara compiti da pochi esempi (Brown et al.). Large language model fonte
  74. 2020RAG: unire un modello del linguaggio pre-addestrato a una memoria esterna da cui recuperare informazioni per generare testo (Lewis et al.). Generazione aumentata dal recupero (RAG) fonte
  75. 2020Leggi di scala: la perdita dei modelli del linguaggio segue leggi di potenza in dimensione del modello, dati e calcolo (Kaplan et al.). Leggi di scala fonte
  76. 2020NeRF: scene come campi di radianza neurali per sintetizzare nuove viste (Mildenhall et al.). Il mondo 3D fonte
  77. 2020Vision Transformer: un transformer puro su patch d'immagine ottiene risultati all'altezza delle migliori reti convoluzionali nella classificazione (Dosovitskiy et al.). Vision Transformer (ViT) fonte
  78. 2021LoRA: adattare un enorme modello pre-addestrato allenando solo piccole matrici a basso rango, lasciando fermi i pesi originali (Hu et al.). Fine-tuning e allineamento fonte
  79. 2021I pericoli dei pappagalli stocastici: i modelli del linguaggio possono essere troppo grandi? (Bender et al.). I limiti dell'IA fonte
  80. 2021CLIP: modelli visivi addestrati con supervisione in linguaggio naturale, su 400 milioni di coppie (immagine, testo) (Radford et al.). Modelli multimodali fonte
  81. 2022InstructGPT: allineare i modelli del linguaggio alle intenzioni dell'utente con fine-tuning da feedback umano (Ouyang et al.). Fine-tuning e allineamento fonte
  82. 2022Chain-of-thought prompting: mostrare i passaggi intermedi del ragionamento migliora il ragionamento dei grandi modelli del linguaggio (Wei et al.). Ragionamento a catena (chain of thought) fonte
  83. 2022ReAct: i modelli del linguaggio alternano ragionamento e azioni per usare fonti esterne (Yao et al.). Agenti basati su LLM e uso di strumenti fonte
  84. 2022Whisper: riconoscimento vocale robusto con supervisione debole su larga scala (Radford et al.). Riconoscimento vocale fonte
  85. 2023Generative agents: un'architettura basata su LLM con memoria, riflessione e pianificazione per comportamenti credibili (Park et al.). Pattern di agenti: pianificazione, memoria, multi-agente fonte
  86. 2023Toolformer: i modelli del linguaggio imparano da soli quali strumenti (API) chiamare e come (Schick et al.). Agenti basati su LLM e uso di strumenti fonte
  87. 2024Anthropic presenta il Model Context Protocol, uno standard aperto per collegare fonti di dati e strumenti di IA. Model Context Protocol (MCP) fonte
  88. 2025YOLOv12: un rilevatore in tempo reale incentrato sull'attenzione (Tian, Ye, Doermann). YOLO (rilevamento di oggetti in tempo reale) fonte