5160 artigos
O artigo apresenta o HCAPO, um novo framework que integra atribuição de crédito retrospectiva para superar os desafios de aprendizado em tarefas de longo prazo de agentes LLM, superando métodos existentes como o GRPO em benchmarks complexos ao refinar a estimativa de valores e melhorar a eficiência exploratória.
Este artigo demonstra que qualquer função invariante sob um grupo agindo transitivamente em um espaço produto pode ser reduzida a uma invariância do subgrupo de isotropia agindo apenas no outro fator, permitindo assim a extensão dos Campos Neurais Equivariantes para ações grupais arbitrárias e espaços de condicionamento homogêneos, eliminando as principais restrições estruturais dos métodos existentes.
Este artigo demonstra que é impossível criar um procedimento de verificação de alinhamento de IA que seja simultaneamente correto, geral e computacionalmente eficiente, estabelecendo um trilema fundamental que limita a certificação formal de sistemas de IA, embora garantias práticas ainda sejam viáveis ao relaxar uma dessas propriedades.
O artigo apresenta o SPREAD, um framework inovador para aprendizado de imitação vitalício que utiliza decomposição em valores singulares para preservar a geometria das representações de tarefas em subespaços de baixa dimensão e uma estratégia de destilação guiada por confiança, superando métodos existentes ao mitigar o esquecimento catastrófico e alcançar desempenho de ponta no benchmark LIBERO.
O artigo apresenta o Midicoth, um sistema de compressão sem perdas que aprimora a estimativa de probabilidade em modelos adaptativos online ao aplicar uma camada de "micro-difusão" baseada em árvores binárias para corrigir vieses de suavização em contextos esparsos.
Este artigo apresenta um quadro de meta-aprendizado por reforço multinível que utiliza uma curricula baseada em habilidades para comprimir hierarquicamente processos de decisão de Markov, desacoplando subtarefas e facilitando a transferência de competências entre diferentes níveis e problemas.
Este artigo apresenta o Campo de Transição de Markov Temporal (TMTF), uma extensão do método MTF que divide séries temporais em segmentos contíguos para estimar matrizes de transição locais, preservando assim a evolução dinâmica ao longo do tempo e superando as limitações de representação de regimes não estacionários do método global original.
O artigo apresenta as bibliotecas de código aberto SoftJAX e SoftTorch, que fornecem implementações unificadas e completas de relaxações "suaves" diferenciáveis para substituir operações rígidas em JAX e PyTorch, permitindo o uso de gradientes informativos em otimização baseada em gradiente.
O artigo introduz o GenGNN, um framework modular de passagem de mensagens que demonstra que backbones de redes neurais gráficas (GNNs) podem substituir arquiteturas mais complexas e caras, como transformers, na geração de grafos discretos, alcançando resultados competitivos em validade e velocidade de inferência.
O artigo apresenta o MASEval, uma biblioteca independente de frameworks que preenche a lacuna de avaliação ao tratar sistemas de agentes LLM completos como unidade de análise, demonstrando que a escolha do framework impacta o desempenho tanto quanto a escolha do modelo.
Este artigo demonstra teoricamente e valida empiricamente que os modelos híbridos, ao combinar camadas de Transformers e modelos de espaço de estados, superam as limitações fundamentais de expressividade e eficiência dos modelos não híbridos, alcançando melhor desempenho com menos parâmetros e maior robustez.
O artigo apresenta o \textsc{applv}, um método que utiliza modelos Visão-Linguagem-Ação para prever e adaptar automaticamente os parâmetros de planejadores de navegação clássicos, superando as limitações de generalização e controle preciso de abordagens anteriores em ambientes restritos.
Este estudo demonstra que modelos centrados apenas no canal, como simuladores de rastreamento de raios, falham em prever com precisão o desempenho de ponta a ponta em redes 5G privadas devido à superestimação das camadas espaciais MIMO, enquanto abordagens baseadas em dados, como regressão por processos gaussianos, oferecem previsões de throughput muito mais precisas ao aprender diretamente do comportamento real do sistema.
Este artigo apresenta o modelo FSbuHD, uma nova abordagem de seleção de características para sistemas de informação híbridos baseada na teoria de conjuntos fuzzy-rugosos que reformula o problema como uma otimização utilizando distâncias combinadas e opera em modos normal e otimista para superar desafios de eficiência e ruído em espaços de alta dimensão.
Este artigo apresenta uma ablação abrangente de nove famílias de limites para previsão seletiva com controle de risco, introduzindo o método "Transfer-Informed Betting" (TIB) que utiliza perfis de risco de domínios-fonte para obter limites mais apertados em cenários com escassez de dados, demonstrando ganhos significativos de cobertura em benchmarks como MASSIVE e NyayaBench.
O artigo propõe o FedLECC, uma estratégia leve e guiada por clusters e perdas para a seleção de clientes em Aprendizado Federado, que melhora a precisão, reduz o número de rodadas de comunicação e diminui a sobrecarga geral em cenários de dados não-IID.
Este artigo apresenta um quadro de avaliação de privacidade abrangente que integra múltiplos métodos para quantificar e auditar os riscos de memorização em Modelos de Linguagem Genômica, demonstrando que a exposição de dados sensíveis varia conforme a arquitetura e o regime de treinamento, exigindo assim uma abordagem de auditoria multifacetada.
Este artigo propõe um método totalmente diferenciável para descobrir Sub-redes de Loteria Forte (SLT) utilizando portas de Bernoulli relaxadas continuamente, permitindo a otimização eficiente de redes superparametrizadas com até 90% de esparsidade e perda mínima de precisão sem necessidade de treinamento de pesos ou estimadores de gradiente não diferenciáveis.
O artigo apresenta o MedCBR, um framework de raciocínio baseado em conceitos que integra diretrizes clínicas e modelos de linguagem-vídeo para melhorar a interpretabilidade e a precisão no diagnóstico médico, gerando narrativas clínicas estruturadas que emulam o raciocínio de especialistas.
Este artigo propõe um framework de aprendizado por reforço hierárquico que otimiza conjuntamente o ajuste de ângulos de inclinação de antenas e a estratégia de coleta de dados entre redes físicas e gêmeos digitais, visando maximizar as taxas de dados dos usuários enquanto reduz o atraso de comunicação em até 28,01%.