4604 artigos
Este artigo propõe um método de programação quadrática sequencial estocástica com região de confiança e pontos interiores (TR-IP-SSQP) para resolver problemas de otimização com função objetivo estocástica e restrições não lineares determinísticas, estabelecendo sua convergência quase certa e validando seu desempenho prático em testes numéricos.
O artigo propõe o framework I2X, que transforma mapas de saliência não estruturados em explicações estruturadas sobre o processo de decisão de modelos de classificação de imagens durante o treinamento, permitindo não apenas entender "por que" o modelo foca em certas regiões, mas também melhorar a precisão das previsões através da identificação e perturbação direcionada de protótipos incertos.
O artigo propõe o One-A, um framework unificado e consciente de desequilíbrio para aprendizado incremental de classes, que utiliza alinhamento de subespaço assimétrico e mecanismos de gate direcional para fundir atualizações de tarefas de tamanhos variados em um único adaptador, garantindo estabilidade e eficiência sem aumentar o custo de inferência.
Este trabalho demonstra que um algoritmo neuromórfico nativamente baseado em pulsos para resolver equações diferenciais parciais possui tolerância intrínseca a falhas estruturais, mantendo sua precisão mesmo com a perda de até 32% dos neurônios e 90% dos pulsos, além de apresentar robustez ajustável através de hiperparâmetros estruturais.
O artigo apresenta o SiMPO, uma estrutura unificada para aprendizado por reforço com políticas de difusão que generaliza esquemas de reponderação através de uma abordagem de correspondência de medidas com sinal, permitindo o uso de funções de ponderação negativas para repelir ações subótimas e melhorar o desempenho.
Este artigo demonstra que, quando a prior condicional em modelos hierárquicos bayesianos é uma distribuição canônica de máxima entropia, a prior marginal resultante também possui uma propriedade de máxima entropia, porém sujeita a uma restrição diferente sobre a distribuição marginal de uma função das quantidades desconhecidas, esclarecendo assim a informação assumida nesses modelos.
Este artigo propõe e avalia duas estratégias que integram estruturas causais (DAGs e CPDAGs) ao modelo TabPFN para corrigir a geração de dados sintéticos baseada em ordem arbitrária, demonstrando que essa abordagem melhora a fidelidade estrutural, a preservação de efeitos causais e a estabilidade dos dados sintéticos gerados.
Os autores descobrem e extraem do modelo de base scGPT um algoritmo compacto e performático para a hematopoiese, utilizando um método de três etapas baseado em interpretabilidade mecânica que supera abordagens padrão em precisão e eficiência computacional.
O artigo apresenta o DICE-RL, uma estrutura de aprendizado por reforço que refina políticas generativas pré-treinadas em robótica, transformando comportamentos iniciais em habilidades especializadas de alta performance através de um mecanismo de contração de distribuição que amplifica ações de sucesso com alta estabilidade e eficiência de amostragem.
Este artigo propõe um método rápido baseado em Redes Neurais em Grafos (GNNs) para estimar o número de condição de matrizes esparsas, que alcança uma aceleração significativa em comparação com os métodos Hager-Higham e Lanczos, graças a uma engenharia de recursos eficiente com complexidade .
O artigo demonstra que o ajuste fino supervisionado (SFT) com ponderação exponencial de recompensas é um método robusto, totalmente offline e teoricamente fundamentado para alinhar sistemas de recomendação generativos às preferências dos usuários, superando as limitações e instabilidades dos métodos tradicionais de RLHF.
Este artigo propõe o framework ADMM-PnP com o denoiser AC-DC, que integra correção automática, correção direcional e remoção de ruído baseada em pontuação para resolver problemas inversos com garantias de convergência e melhor qualidade de solução.
O artigo propõe o uso da Decomposição em Valores Singulares Generalizada (GSVD) para criar uma métrica de "ângulo" interpretável que quantifica a contribuição relativa de dois conjuntos de dados na explicação de uma amostra, permitindo diagnósticos geométricos por amostra e aplicações de classificação.
O artigo apresenta o Copula-ResLogit, um novo framework de modelagem conjunta baseado em aprendizado profundo e cópulas que integra arquiteturas ResNet para detectar e mitigar efeitos de confusão não observada em análises de demanda de transporte, demonstrando sua eficácia na eliminação de dependências não causais em estudos de caso sobre tempo de espera de pedestres e escolha de modo de viagem.
O artigo propõe o MultiwayPAM, um novo método de agrupamento tensorial que analisa os escores do paradigma "LLM como Juiz" para mitigar custos computacionais e vieses, permitindo identificar simultaneamente a estrutura de clusters e os representantes centrais (medoides) de perguntas, respondentes e avaliadores.
Este estudo demonstra que circuitos quânticos emaranhados oferecem uma vantagem competitiva em jogos adversariais, superando circuitos separáveis e redes neurais clássicas ao aprender representações estruturalmente distintas para modelar interações dinâmicas.
O artigo apresenta o HyMEM, uma memória estruturada híbrida e autoevolutiva inspirada no cérebro humano que combina nós simbólicos discretos com embeddings contínuos em um grafo, permitindo que agentes de GUI de código aberto com backbones menores superem modelos proprietários de ponta ao melhorar a recuperação de informações e a gestão de tarefas de longo prazo.
O artigo apresenta o GaLoRA, um framework eficiente em parâmetros que integra informações estruturais em grandes modelos de linguagem para classificação de nós em grafos atribuídos a texto, alcançando desempenho competitivo com apenas 0,24% dos parâmetros necessários para o ajuste fino completo.
Este trabalho apresenta um framework de aprendizado em contexto (in-context learning) orientado por regimes que utiliza modelos de linguagem grandes (LLMs) pré-treinados para prever a volatilidade financeira em condições de mercado não estacionárias, demonstrando superioridade sobre abordagens clássicas e aprendizado direto, especialmente em períodos de alta volatilidade.
Este artigo apresenta um procedimento de busca para identificar formas de cronogramas de taxa de aprendizado quase ótimos, revelando que o aquecimento e o decaimento são características robustas, mas que as famílias de cronogramas comumente utilizadas não são ideais e que o decaimento de peso influencia significativamente a forma ótima.