4882 artigos
Este artigo investiga problemas de exploração pura com um conjunto infinito de respostas possíveis, estabelecendo um limite inferior dependente da instância, explicando por que métodos existentes falham nesse cenário e propondo o novo framework "Sticky-Sequence Track-and-Stop" que alcança otimalidade assintótica.
O artigo apresenta o TSRating, um novo framework unificado que utiliza o julgamento de Grandes Modelos de Linguagem (LLMs) e um esquema de meta-aprendizado para avaliar com precisão e eficiência a qualidade de séries temporais provenientes de diversos domínios, superando as limitações dos métodos existentes.
Este trabalho propõe o CORA, um método de atribuição de crédito em aprendizado por reforço multiagente cooperativo que utiliza a alocação do núcleo da teoria dos jogos cooperativos para estimar vantagens baseadas em coalizões e promover comportamentos coordenados ótimos, superando as limitações das abordagens tradicionais de compartilhamento global de vantagem.
Este artigo propõe dois novos algoritmos de aprendizado por reforço livres de modelo, Q-EarlySettled-LowCost e FedQ-EarlySettled-LowCost, que são os primeiros a alcançar simultaneamente arrependimento quase ótimo, custo de inicialização linear e custos logarítmicos de troca de política ou comunicação em ambientes de agente único e federado.
O artigo apresenta o ChannelTokenFormer, um framework baseado em Transformer que resolve simultaneamente os desafios de dependências entre canais, amostragem assíncrona e valores ausentes em previsões de séries temporais multivariadas do mundo real, demonstrando superior robustez e precisão em benchmarks públicos e dados industriais privados.
O artigo apresenta o WAFFLE, um algoritmo de detecção pré-treinamento que utiliza representações comprimidas via Transformada de Espalhamento de Wavelet ou Transformada de Fourier para identificar clientes maliciosos em Aprendizado Federado sem acesso aos dados brutos, oferecendo uma alternativa eficiente e de baixo custo computacional às estratégias online existentes.
Este artigo apresenta o modelo Mixture of Interacting Cascades (MIC), baseado em processos pontuais de Hawkes multidimensionais, que captura a interação conjunta entre usuários e cascata de informações para modelar com maior precisão a dinâmica de formação de opiniões em redes sociais, superando métodos existentes e permitindo visualizações detalhadas da atividade na rede.
O artigo propõe o ConLID, uma abordagem de aprendizado contrastivo supervisionado que melhora a identificação de idiomas em línguas de baixo recurso ao aprender representações invariantes a domínios, superando limitações de dados unidomínio sem prejudicar o desempenho em línguas de alto recurso.
Este artigo estabelece, pela primeira vez, garantias de convergência global linear para o método Iteratively Reweighted Least Squares (IRLS) na recuperação robusta de subespaços, demonstrando que uma variante com regularização dinâmica converge de qualquer inicialização tanto para subespaços lineares quanto afins, além de ilustrar seus benefícios práticos no treinamento de redes neurais de baixa dimensão.
Este artigo propõe um algoritmo distribuído e adaptativo de identificação do melhor braço em bandits lineares para otimizar a colocação de serviços em redes de pequenas células, permitindo que estações base colaborativas identifiquem com alta confiança e eficiência a melhor opção de processamento na borda para minimizar a latência do usuário.
Este artigo estabelece taxas de convergência para a última iteração de métodos de descida de gradiente estocástico (SGD) e de bola pesada estocástica (SHB) em cenários convexos e não convexos com gradientes Hölder-contínuos, utilizando apenas a desigualdade discreta de Gronwall para obter resultados que recuperam e estendem taxas conhecidas para funções objetivo com diferentes graus de suavidade.
Este estudo avalia arquiteturas de DeepONet para o problema de consolidação em engenharia geotécnica, demonstrando que uma variante aprimorada com recursos de Fourier no tronco supera os modelos padrão e oferece acelerações computacionais significativas (até 1.000x em cenários 3D), viabilizando a quantificação eficiente de incertezas.
Este trabalho apresenta o LangevinFlow, um modelo de codificador-variacional sequencial que utiliza equações de Langevin subamortecidas e um potencial baseado em osciladores acoplados para capturar com alta precisão a dinâmica latente de populações neurais, superando métodos existentes na previsão de taxas de disparo e na decodificação de comportamentos.
O artigo apresenta a Latent Policy Steering (LPS), uma abordagem que aprimora políticas visuomotoras em cenários com poucos dados ao pré-treinar um Modelo de Mundo usando fluxo óptico como representação de ação agnóstica ao corpo, permitindo aproveitar dados de múltiplas efetuações e, subsequentemente, selecionar as melhores ações para o robô-alvo, resultando em melhorias significativas de desempenho tanto em simulação quanto no mundo real.
Este artigo apresenta o MLES, uma abordagem inovadora que combina modelos de linguagem grandes multimodais com busca evolutiva e análise visual de falhas para descobrir políticas de controle programáticas transparentes e verificáveis, alcançando desempenho comparável ao PPO em tarefas de controle padrão.
O artigo apresenta o CTRL (Clustered Transfer Residual Learning), um método de meta-aprendizado que combina aprendizado residual entre domínios e agrupamento adaptativo para melhorar a precisão geral e preservar a heterogeneidade entre fontes em tarefas de aprendizado de máquina com muitos conjuntos de dados pequenos e desiguais, demonstrando superioridade sobre benchmarks em cinco conjuntos de dados, incluindo um programa nacional de asilo na Suíça.
Este artigo propõe e avalia uma abordagem inovadora que utiliza avatares virtuais e música gerada por IA para transformar sílabos textuais em apresentações audiovisuais cantadas, demonstrando que essa estratégia aumenta significativamente o engajamento, a compreensão e a retenção das informações essenciais pelos estudantes.
O artigo apresenta o MuFlex, uma plataforma de código aberto e escalável baseada em física que permite a coordenação de flexibilidade de demanda em múltiplos edifícios detalhados (EnergyPlus e Modelica) através de aprendizado por reforço, demonstrando sua eficácia na redução de picos de carga e validando sua escalabilidade em diversos cenários de simulação.
Este trabalho apresenta um framework leve e eficiente em dados baseado em Redes Neurais em Grafos (GNN) e informado por domínio de RF para prever com alta precisão o desempenho de circuitos ativos, superando significativamente os métodos existentes em generalização e erro médio.
Este artigo apresenta uma metodologia de aprendizado em contexto iterativo que seleciona exemplos de forma incremental para melhorar a generalização sistemática de LLMs em tarefas de raciocínio abstrato, como álgebra com regras não padrão, demonstrando que exemplos mais simples podem ser mais eficazes do que aqueles que seguem a distribuição dos dados de teste.