4885 artigos
O artigo propõe o LTSV, um método leve e eficiente para valoração de dados de séries temporais em modelos fundamentais, que utiliza ajuste fino em contexto e agregação de blocos temporais para superar as limitações computacionais e de dependência temporal dos métodos tradicionais.
Este artigo apresenta um método de aprendizado em contexto utilizando modelos fundamentais de séries temporais para classificar o estado de saúde de mancais em dados de vibração sem necessidade de ajuste fino, permitindo a previsão de probabilidades de classe através da transformação de sinais de referência em padrões pseudo temporais.
Este artigo propõe uma abordagem de assincronia periódica que desacopla a inferência do treinamento em um pipeline produtor-consumidor, alcançando um aumento de 3 a 5 vezes no throughput de RL on-policy para LLMs sem comprometer a precisão ou introduzir viés off-policy.
Este estudo apresenta o Decoder-DeepONet (DDON), um novo modelo de aprendizado de operadores interpretável que supera métodos anteriores e clássicos na reconstrução precisa e generalizável de perfis de campo elétrico a partir de sinais EFISH, mesmo com dados de entrada incompletos, oferecendo ainda insights sobre as regiões de sinal mais críticas para a aquisição experimental.
O artigo propõe o ELERAG, uma arquitetura aprimorada de Geração Aumentada por Recuperação (RAG) que integra a Vinculação de Entidades para melhorar a precisão factual em sistemas de perguntas e respostas educacionais em italiano, demonstrando que estratégias híbridas adaptadas ao domínio superam abordagens padrão em contextos especializados.
O artigo apresenta o SA²GFM, um modelo robusto de fundamentos para grafos que aprimora a generalização e a resistência a perturbações através de uma augmentação semântica consciente da estrutura, compressão guiada por informações e adaptação de domínio otimizada.
O artigo apresenta o ADHint, um método de Aprendizado por Reforço que integra dinamicamente a dificuldade das amostras no agendamento de dicas e na estimativa de vantagem, resultando em maior estabilidade, eficiência de amostragem e generalização de raciocínio.
O artigo propõe a Inversão Textual Direcional (DTI), um método que otimiza apenas a direção dos embeddings no espaço de tokens do CLIP, mantendo a magnitude fixa, para superar as falhas de personalização em prompts complexos e permitir interpolações semânticas suaves, superando as limitações da Inversão Textual tradicional.
Este estudo conclui que, embora o método de campo de bloco baseado em descritores lineares multicanal (MLD-BFM) tenha alcançado a melhor precisão na decodificação contínua de cinco graus de liberdade do movimento dos dedos a partir de sinais HD sEMG, a melhoria não foi estatisticamente significativa em comparação com características temporais convencionais, sugerindo que a alta resolução espacial já é capturada por descritores baseados em amplitude e que preservar essa resolução espacial é mais crítico do que aplicar redução de dimensionalidade.
O artigo apresenta o EMFusion, um framework de previsão probabilística baseado em difusão condicional que utiliza uma arquitetura U-Net residual com atenção cruzada para realizar previsões multivariadas e seletivas em frequência de campos eletromagnéticos em redes sem fio, superando os modelos existentes ao fornecer estimativas de incerteza calibradas e lidar com medições irregulares.
Este estudo apresenta o framework WT-RDF+, que aprimora a reconstrução da Função de Distribuição Radial (RDF) em materiais amorfos, como os sistemas Ge-Se e Ag-Ge-Se, através da otimização de parâmetros físicos por meio de aprendizado de máquina, superando modelos de benchmark e corrigindo limitações de precisão de amplitude.
O artigo propõe uma nova perspectiva teórica sobre a normalização em redes neurais, identificando uma discrepância nas atualizações de ativação e apresentando soluções alternativas, como o "PatchNorm", que superam os normalizadores convencionais ao tratar a normalização como um mapeamento funcional com escalas parametrizadas.
Este artigo demonstra, pela primeira vez de forma rigorosa, que a incorporação de atualizações locais no algoritmo DIGing pode acelerar a otimização distribuída com gradientes exatos, revelando que apenas duas iterações locais são suficientes para obter a melhoria máxima sem necessidade de reduzir o tamanho do passo.
O artigo apresenta a Modelagem Generativa Bayesiana (BGM), uma estrutura unificada baseada em aprendizado de máquina que permite inferência condicional arbitrária com quantificação de incerteza rigorosa, superando as limitações de métodos existentes ao aprender um modelo generativo único que não requer retreinamento para diferentes condições.
Este artigo apresenta um sistema automatizado baseado em agentes de pesquisa web com LLMs que gera e resolve em escala milhares de perguntas de previsão diversificadas e verificáveis, superando plataformas humanas em qualidade e demonstrando como essa abordagem pode melhorar o desempenho de modelos de IA na previsão de eventos.
O artigo apresenta o Infusion, um framework que utiliza aproximações escaláveis de funções de influência para realizar pequenas perturbações em documentos de treinamento, permitindo moldar sistematicamente o comportamento de modelos de visão e linguagem de forma sutil e eficaz.
Este artigo propõe um framework robusto para otimização de sortimento baseado em dados observacionais que maximiza a receita esperada no pior cenário, superando as limitações de modelos tradicionais ao lidar com mudanças nas preferências dos clientes e garantindo eficiência estatística através do conceito de "cobertura robusta item a item".
Este estudo apresenta uma abordagem inovadora baseada em Transformers com gargalo para prever a métrica STOI de forma não intrusiva, superando os métodos atuais ao combinar blocos convolucionais e atenção auto-referencial para alcançar maior correlação e menor erro quadrático médio em cenários conhecidos e desconhecidos.
O artigo apresenta o B-DENSE, um novo framework que utiliza alinhamento de trajetória multi-ramo para fornecer supervisão densa em modelos de difusão, mitigando erros de discretização e melhorando a qualidade da geração de imagens em comparação com métodos de destilação tradicionais.
O artigo apresenta o "Missing-by-Design" (MBD), um framework unificado para análise de sentimentos multimodal que permite a revogação certificada de modalidades específicas de dados, garantindo conformidade com a privacidade e autonomia do usuário sem a necessidade de retreinamento completo do modelo.