🤖 Category

cs.LG

2281 artículos

Do Spatial Descriptors Improve Multi-DoF Finger Movement Decoding from HD sEMG?

Este estudio demuestra que, aunque el método de campo de bloque basado en descriptores lineales multicanal (MLD-BFM) logra la mejor precisión en la decodificación continua de cinco grados de libertad de los dedos mediante sEMG de alta densidad, su ventaja sobre las características temporales convencionales no es estadísticamente significativa, lo que sugiere que la resolución espacial inherente a las grabaciones densas es más crítica que los descriptores espaciales explícitos para esta tarea.

Ricardo Gonçalves Molinari, Leonardo Abdala EliasWed, 11 Ma🤖 cs.LG

EMFusion: Conditional Diffusion Framework for Trustworthy Frequency Selective EMF Forecasting in Wireless Networks

Este artículo presenta EMFusion, un marco de pronóstico probabilístico basado en difusión condicional que utiliza una arquitectura U-Net residual con atención cruzada para realizar pronósticos multivariados selectivos en frecuencia de campos electromagnéticos (EMF) en redes inalámbricas, ofreciendo estimaciones de incertidumbre calibradas y superando significativamente a los modelos existentes en precisión y fiabilidad.

Zijiang Yan, Yixiang Huang, Jianhua Pei, Hina Tabassum, Luca ChiaraviglioWed, 11 Ma🤖 cs.AI

Enhancing Reconstruction Capability of Wavelet Transform Amorphous Radial Distribution Function via Machine Learning Assisted Parameter Tuning

Este estudio presenta el marco WT-RDF+, que optimiza los parámetros de la Transformada de Ondículas de la Función de Distribución Radial mediante aprendizaje automático para superar las limitaciones de precisión en la reconstrucción de estructuras amorfas de Ge-Se y Ag-Ge-Se, superando a modelos de referencia como RBF y LSTM con solo el 25% de los datos de entrenamiento.

Deriyan Senjaya, Stephen Ekaputra LimantoroWed, 11 Ma🔬 cond-mat.mtrl-sci

Automating Forecasting Question Generation and Resolution for AI Evaluation

Este trabajo presenta un sistema automatizado basado en agentes de investigación web potenciados por LLM que genera y resuelve a gran escala preguntas de pronóstico diversas y verificables, superando la calidad de las plataformas humanas y demostrando mejoras en la precisión de los modelos de IA mediante estrategias de descomposición de preguntas.

Nikos I. Bosse, Peter Mühlbacher, Jack Wildman, Lawrence Phillips, Dan SchwarzWed, 11 Ma🤖 cs.AI

Infusion: Shaping Model Behavior by Editing Training Data via Influence Functions

El marco Infusion demuestra que es posible moldear sistemáticamente el comportamiento de modelos de visión y lenguaje mediante pequeñas perturbaciones calculadas con funciones de influencia en una fracción mínima de los datos de entrenamiento, lo que subraya la importancia crítica de la interpretabilidad de dichos datos para la seguridad.

J Rosser, Robert Kirk, Edward Grefenstette, Jakob Foerster, Laura RuisWed, 11 Ma🤖 cs.AI

Robust Assortment Optimization from Observational Data

Este trabajo propone un marco robusto para la optimización de surtidos basado en datos observacionales que maximiza los ingresos esperados en el peor de los casos ante cambios en las preferencias de los clientes, estableciendo garantías teóricas sobre la complejidad de la muestra y definiendo la "cobertura robusta por artículo" como el requisito mínimo de datos para un aprendizaje eficiente.

Miao Lu, Yuxuan Han, Han Zhong, Zhengyuan Zhou, Jose BlanchetWed, 11 Ma🤖 cs.LG

Missing-by-Design: Certifiable Modality Deletion for Revocable Multimodal Sentiment Analysis

El artículo presenta "Missing-by-Design" (MBD), un marco unificado para el análisis de sentimientos multimodal revocable que combina aprendizaje de representaciones y un proceso de modificación de parámetros certificable para eliminar selectivamente modalidades de datos sensibles sin necesidad de reentrenar el modelo completo.

Rong Fu, Ziming Wang, Chunlei Meng, Jiaxuan Lu, Jiekai Wu, Kangan Qian, Hao Zhang, Simon FongWed, 11 Ma🤖 cs.LG

Continual uncertainty learning

Este estudio propone un marco de aprendizaje continuo basado en currículos que descompone problemas de control robusto con múltiples incertidumbres no lineales en tareas secuenciales, integrando un controlador basado en modelos para mejorar la eficiencia y evitar el olvido catastrófico, logrando así una transferencia exitosa de simulación a realidad en un controlador de vibración activa para trenes motrices automotrices.

Heisei Yonezawa, Ansei Yonezawa, Itsuro KajiwaraWed, 11 Ma🤖 cs.AI

Breaking the Factorization Barrier in Diffusion Language Models

El artículo presenta Coupled Discrete Diffusion (CoDD), un marco híbrido que supera la barrera de factorización en los modelos de lenguaje difusivos al reemplazar las distribuciones de salida totalmente factorizadas con una capa de inferencia probabilística ligera, permitiendo así generar texto coherente y de alta calidad en pocos pasos sin los altos costos computacionales de los enfoques existentes.

Ian Li, Zilei Shao, Benjie Wang, Rose Yu, Guy Van den Broeck, Anji LiuWed, 11 Ma🤖 cs.AI

Detecting Transportation Mode Using Dense Smartphone GPS Trajectories and Transformer Models

Este estudio presenta SpeedTransformer, un modelo basado en Transformers que utiliza únicamente datos de velocidad de trayectorias GPS densas para detectar modos de transporte, superando a modelos tradicionales como LSTM y demostrando alta precisión y flexibilidad en transferencias entre regiones y entornos complejos.

Yuandong Zhang, Othmane Echchabi, Tianshu Feng, Wenyi Zhang, Hsuai-Kai Liao, Charles ChangWed, 11 Ma🤖 cs.LG

Non-Rectangular Average-Reward Robust MDPs: Optimal Policies and Their Transient Values

Este trabajo estudia los procesos de decisión de Markov robustos no rectangulares bajo el criterio de recompensa promedio, demostrando que las políticas óptimas pueden caracterizarse mediante una representación minimax sin necesidad de rectangularidad, estableciendo la existencia de tales políticas bajo una suposición de comunicación débil e introduciendo un marco de valor transitorio que revela cómo la optimalidad en recompensa promedio puede ocultar un rendimiento temporal deficiente, lo que lleva a la construcción de una política basada en épocas que logra un valor transitorio de orden constante.

Shengbo Wang, Nian SiWed, 11 Ma🤖 cs.LG

Reasoning as Gradient: Scaling MLE Agents Beyond Tree Search

El artículo presenta a \textsc{Gome}, un agente de ingeniería de aprendizaje automático que supera a los métodos tradicionales de búsqueda en árbol al operacionalizar la optimización basada en gradientes mediante el razonamiento estructurado, logrando un rendimiento superior a medida que aumenta la capacidad de razonamiento de los modelos.

Yifei Zhang, Xu Yang, Xiao Yang, Bowen Xian, Qizheng Li, Shikai Fang, Jingyuan Li, Jian Wang, Mingrui Xu, Weiqing Liu, Jiang BianWed, 11 Ma🤖 cs.AI

FinTexTS: Financial Text-Paired Time-Series Dataset via Semantic-Based and Multi-Level Pairing

El artículo presenta FinTexTS, un nuevo conjunto de datos de series temporales financieras emparejadas con texto que utiliza un marco de emparejamiento semántico y multinivel para capturar las complejas interdependencias del mercado y mejorar la precisión en la predicción de precios de acciones.

Jaehoon Lee, Suhwan Park, Tae Yoon Lim, Seunghan Lee, Jun Seo, Dongwan Kang, Hwanil Choi, Minjae Kim, Sungdong Yoo, SoonYoung Lee, Yongjae Lee, Wonbin AhnWed, 11 Ma🤖 cs.AI

Unveiling the Potential of Quantization with MXFP4: Strategies for Quantization Error Reduction

Este artículo presenta dos técnicas de software, Escalamiento Consciente de Desbordamiento (OAS) y Escalamiento de Bloque Macro (MBS), que reducen significativamente el error de cuantización en el formato MXFP4, cerrando la brecha de precisión con NVFP4 a menos del 1% sin requerir cambios en el hardware.

Jatin Chhugani, Geonhwa Jeong, Bor-Yiing Su, Yunjie Pan, Hanmei Yang, Aayush Ankit, Jiecao Yu, Summer Deng, Yunqing Chen, Nadathur Satish, Changkyu KimWed, 11 Ma🤖 cs.AI