63 artigos
O artigo apresenta o GIT-BO, um framework de otimização bayesiana que combina o modelo fundamental tabular TabPFN v2 com um mecanismo de subespaço ativo para superar as limitações de métodos baseados em processos gaussianos em problemas de alta dimensão, oferecendo um desempenho superior e maior eficiência computacional em diversas tarefas sintéticas e do mundo real.
O artigo apresenta o EDINET-Bench, um novo benchmark de código aberto baseado em relatórios anuais japoneses para avaliar LLMs em tarefas financeiras complexas, demonstrando que os modelos atuais têm desempenho limitado e destacando a necessidade de ambientes de teste mais realistas e estruturados para superar essas deficiências.
O artigo apresenta o AttnBoost, um framework de aprendizado interpretável que integra mecanismos de atenção ao processo de boosting para melhorar a precisão e a explicabilidade das previsões de demanda no varejo, superando modelos tradicionais ao focar dinamicamente nas variáveis mais impactantes.
O artigo apresenta o FMint-SDE, um modelo de fundação multimodal baseado em transformadores que utiliza aprendizado em contexto e correção de erros para acelerar e aprimorar a precisão da simulação de equações diferenciais estocásticas em diversos domínios científicos, superando as limitações de eficiência e generalização dos métodos tradicionais.
Este trabalho propõe um modelo de pagamento offline de Moeda Digital de Banco Central (CBDC) para dispositivos IoT que integra elementos seguros e provas de conhecimento zero para garantir transações privadas, seguras e resistentes a gastos duplos em ambientes com conectividade limitada.
O artigo apresenta o FedEMA-Distill, um método de aprendizado federado que combina uma média móvel exponencial do modelo global com destilação de conhecimento baseada em logits, permitindo treinamento robusto e eficiente em termos de comunicação em cenários com dados não-IID e presença de clientes maliciosos, sem exigir alterações no software dos clientes ou transmissão de pesos completos do modelo.
Este artigo propõe que a inteligência encarnada, ao ultrapassar limiares críticos de capacidade, desencadeará uma transição de fase na geografia econômica da manufatura, rompendo com o paradigma fordista de fábricas centralizadas para estabelecer uma nova lógica de produção baseada em micro-fábricas próximas à demanda e em condições ambientais otimizadas para máquinas.
Este estudo demonstra que o piso de um edifício pode funcionar como um computador de reservatório físico, utilizando vibrações captadas por uma rede de acelerômetros e processadas por um pipeline leve para localizar a posição de passos com precisão submétrica, mesmo sem recalibração específica para diferentes usuários.
O artigo apresenta o VeNRA, um agente de raciocínio financeiro neuro-simbólico que substitui a recuperação probabilística de texto por um Ledger de Fatos Universal estritamente tipado e um detector de alucinações adversarial treinado via simulação, garantindo precisão aritmética e zero alucinações em ambientes de alta latência.
O MOOSEnger é um agente de IA especializado no ecossistema MOOSE que combina geração aumentada por recuperação com ferramentas de validação e execução determinísticas para converter intenções em linguagem natural em arquivos de entrada executáveis, alcançando uma taxa de sucesso de 93% em comparação com 8% em abordagens baseadas apenas em LLM.
Este artigo aborda o problema de localização de um ponto desconhecido em a partir de medições de distância ruidosas, utilizando uma metodologia de pertinência a conjuntos para definir um "conjunto de localização" não convexo e desenvolver métodos eficientes de programação convexa que fornecem estimativas de localização garantidas através de aproximações externas (como caixas ou elipsoides) e internas desse conjunto.
Este trabalho propõe uma abordagem inovadora de fluxo superficial contínuo (CSF) escalada por parâmetros que, ao gerar um campo de temperatura mais suave na interface difusa, aumenta significativamente a precisão e reduz os custos computacionais na simulação de poços de fusão em manufatura aditiva metálica, superando as limitações dos métodos CSF clássicos.
Este artigo apresenta um novo framework que utiliza um modelo de linguagem (LLM) para gerar automaticamente alfas formulaicos baseados em dados financeiros e sentimentos, os quais, ao serem integrados a modelos como Transformers, melhoram significativamente a precisão e a interpretabilidade das previsões de preços de ações.
Este artigo propõe uma estratégia dinâmica de otimização de portfólio para criptomoedas que integra indicadores técnicos e análise de sentimentos, demonstrando por meio de testes retrospectivos que essa abordagem combinada supera benchmarks tradicionais em retornos ajustados ao risco, embora ainda exija melhorias no gerenciamento de riscos para mitigar grandes drawdowns durante períodos de estresse de mercado.
Este artigo apresenta um framework de aprendizado por reforço que utiliza Proximal Policy Optimization (PPO) para otimizar dinamicamente os pesos de alphas gerados por modelos de linguagem (LLM), demonstrando que essa abordagem adaptativa resulta em melhores ratios de Sharpe e menores drawdowns máximos em comparação com estratégias de baseline, embora não garanta consistentemente os maiores retornos cumulativos.
Este artigo desenvolve uma análise harmônica exata para redes direcionadas não normais ao introduzir uma Transformada de Fourier de Grafos Biortogonal baseada em autovetores duais, estabelecendo limites variacionais e garantias de reconstrução que quantificam a distorção geométrica induzida pela não normalidade do Laplaciano.
O artigo apresenta o SpecBridge, um novo framework de alinhamento implícito que ajusta um codificador espectral pré-treinado para projetar espectros de massa diretamente no espaço latente de um modelo molecular congelado, alcançando ganhos significativos de precisão na identificação de pequenas moléculas com um número reduzido de parâmetros treináveis.
Este artigo estende o framework CNF para resolver equações diferenciais parciais não lineares e acopladas, abordando problemas de solução direta, inversa e descoberta de equações, enquanto realiza uma avaliação abrangente de métodos de aprendizado de máquina para simulações científicas.
Este artigo propõe uma reformulação simplificada e mais intuitiva da função de custo de pontos quentes, incluindo a pré-interpolação de dados de trilhas, para otimizar o código optAPM e melhorar a precisão e confiabilidade das reconstruções de movimentos absolutos das placas tectônicas.
O artigo apresenta o MOOSE-Star, um quadro unificado que supera a intratabilidade matemática do treinamento direto para descoberta científica ao reduzir a complexidade de exponencial para logarítmica através de tarefas decompostas, busca hierárquica orientada por motivação e composição limitada, apoiado pelo novo conjunto de dados TOMATO-Star.