🤖 Category

cs.LG

23164 artigos

Esta seção reúne pesquisas sobre elementos químicos que vão do césio ao lantânio, explorando como essas substâncias se comportam em laboratório e na natureza. Embora muitas vezes pareçam distantes do cotidiano, esses materiais são fundamentais para avanços em tecnologia, medicina e ciência dos materiais, desde a criação de relógios atômicos precisos até novos tipos de baterias.

No Gist.Science, acessamos diariamente os novos pré-prints publicados no arXiv nesta área específica. Nossa equipe processa cada novo estudo, transformando a linguagem técnica complexa em resumos claros e acessíveis, sem perder a profundidade científica necessária para quem busca entender os detalhes.

Abaixo, você encontrará a lista atualizada dos trabalhos mais recentes publicados nesta categoria, prontos para leitura e compreensão.

🔬 physics

A Neural-preconditioned Poisson Solver for Mixed Dirichlet and Neumann Boundary Conditions

Este artigo apresenta um solver iterativo pré-condicionado por rede neural que utiliza uma arquitetura de rede neural nova e leve para resolver eficientemente equações de Poisson com condições de contorno mistas em domínios evolutivos, superando métodos tradicionais como o multigrid algébrico ao evitar fases de configuração dispendiosas enquanto se generaliza para formas, condições e tamanhos de grade não vistos.

Kai Weixian Lan, Elias Gueidon, Ayano Kaneda, Julian Panetta, Joseph Teran2026-09-07
🤖 machine learning

An Empirical Study into Clustering of Unseen Datasets with Self-Supervised Encoders

Este artigo demonstra empiricamente que, embora codificadores autossupervisionados generalizem melhor para conjuntos de dados não vistos do que os supervisionados, o ajuste fino deles no ImageNet-1k reverte essa vantagem, e estabelece adicionalmente que o escore de silhueta no espaço UMAP serve como um substituto confiável para avaliar o desempenho de agrupamento em dados não rotulados.

Scott C. Lowe, Joakim Bruslund Haurum, Sageev Oore, Thomas B. Moeslund, Graham W. Taylor2026-09-07
🤖 machine learning

The Sample Complexity of Learning Lipschitz Operators with respect to Gaussian Measures

Este artigo estabelece que o aprendizado de operadores Lipschitz a partir de amostras lineares sob medidas gaussianas sofre de uma maldição inerente de complexidade de amostragem, provando que nenhum método pode alcançar taxas de convergência algébrica a menos que o operador de covariância subjacente exiba um decaimento espectral suficientemente rápido.

Ben Adcock, Michael Griebel, Gregor Maier2026-09-07
🤖 machine learning

Hyperedge Anomaly Detection with Hypergraph Neural Network

Este artigo propõe um modelo de rede neural de hipergrafo de ponta a ponta e não supervisionado, projetado para detectar associações de ordem superior anômalas (hiperarestas) em hipergrafos, demonstrando sua eficácia por meio de extensos experimentos em conjuntos de dados do mundo real.

Md. Tanvir Alam, Md. Mahmudur Rahman, Md. Fahim Arefin, Chowdhury Farhan Ahmed, Zisan Mahmud, Md. Sadman Sakib, Carson K (…)2026-09-07
🤖 machine learning

TSMini: A Simple Yet Highly Effective Trajectory Similarity Learning Model

O TSMini é um modelo de aprendizado de similaridade de trajetória altamente eficaz que alcança precisão de estado da arte ao empregar um mecanismo de modelagem de subvisão para aprendizado de padrões de multigranularidade e uma perda baseada em k-vizinhos mais próximos para capturar tanto valores de similaridade absoluta quanto classificações de similaridade relativa.

Yanchuan Chang, Dingyang Lyu, Xu Cai, Christian S. Jensen, Jianzhong Qi2026-09-07
🤖 machine learning

GraphMend: Code Transformations for Fixing Graph Breaks in PyTorch 2

O GraphMend é uma técnica de compilador que identifica e corrige automaticamente quebras de grafo FX em programas PyTorch 2 por meio de transformações de nível de fonte conscientes de semântica, melhorando significamente o desempenho e a usabilidade do modelo ao permitir compilações de grafos maiores e ininterruptas.

Savini Kashmira, Jayanaka Dantanarayana, Thamirawaran Sathiyalogeswaran, Krisztian Flautner, Lingjia Tang, Jason Mars2026-09-07
🤖 machine learning

Constrained Sensing and Reliable State Estimation with Shallow Recurrent Decoders on a TRIGA Mark II Reactor

Este artigo apresenta a primeira aplicação de redes Shallow Recurrent Decoder (SHRED) a um reator nuclear TRIGA Mark II em operação, demonstrando sua capacidade de reconstruir campos de estado completos em tempo real usando tanto dados de temperatura sintéticos quanto experimentais, mantendo a robustez contra ruído de sensores e discrepâncias de modelo.

Stefano Riva, Carolina Introini, Josè Nathan Kutz, Antonio Cammi2026-09-07
🤖 AI

Predicting California Bearing Ratio with Ensemble and Neural Network Models: A Case Study from Turkiye

Este estudo demonstra que um modelo de Random Forest, treinado com 382 amostras de solo da Turquia, prevê o Índice de Suporte Califórnia com alta precisão (R²=0,83), oferecendo uma alternativa de aprendizado de máquina rápida e confiável aos testes laboratoriais tradicionais e demorados para a engenharia geotécnica.

Abdullah Hulusi Kökçam, Uğur Dağdeviren, Talas Fikret Kurnaz, Alparslan Serhat Demir, Caner Erden2026-09-07
🤖 machine learning

Fractal and Chaotic Activation Functions in Echo State Networks: Preprocessing Topology Governs the Echo State Property

Este artigo demonstra que funções de ativação não suaves, fractais e caóticas podem superar significativamente as ativações suaves tradicionais em Redes de Estado de Eco ao manter a estabilidade e acelerar a convergência por meio de um pré-processamento monotônico e compressivo, desafiando, assim, a dependência convencional da continuidade de Lipschitz global e introduzindo um novo arcabouço teórico para a dinâmica de reservatórios quantizados.

Rae Chipera, Jenny Du, Irene Tsapara2026-09-07
📊 statistics

Forecast Skill Is Not Decision Skill: Evidence from Weather-Dependent Decision Tasks

Este artigo introduz a calibração de decisão como uma estrutura para demonstrar que as avaliações estatísticas padrão de previsões frequentemente falham em prever a utilidade real de um modelo na tomada de decisões no mundo real, uma vez que os rankings dos modelos podem mudar significamente quando avaliados com base em sua capacidade de melhorar decisões específicas dependentes do clima.

Kornelius Raeth, Nicole Ludwig2026-09-07