cs.LG artigos | Gist.Science

Class Incremental Learning with Task-Specific Batch Normalization and Out-of-Distribution Detection

Este estudo propõe um novo framework de aprendizado contínuo para classificação incremental de classes que supera a necessidade de identificadores de tarefa explícitos ao utilizar detecção de distribuição fora do padrão em cabeças de classificação específicas para prever a tarefa, combinando normalização de lote específica para tarefas para equilibrar plasticidade e estabilidade com crescimento mínimo de parâmetros.

Zhiping Zhou, Xuchen Xie, Yiqiao Qiu, Run Lin, Weishi Zheng, Ruixuan Wang2026-03-12🤖 cs.LG

Conditional Local Importance by Quantile Expectations

O artigo propõe o método agnóstico ao modelo CLIQUE, uma nova técnica de importância local de variáveis que supera as limitações de métodos existentes ao capturar relações dependentes localmente, lidar nativamente com problemas de classificação multiclasse e reduzir vieses em regiões onde as variáveis não afetam a resposta.

Kelvyn K. Bladen, Adele Cutler, D. Richard Cutler, Kevin R. Moon2026-03-12📊 stat

A Novel Single-Layer Quantum Neural Network for Approximate SRBB-Based Unitary Synthesis

Este trabalho apresenta uma nova rede neural quântica de camada única baseada na Base de Bloco Recursiva Padrão (SRBB) que utiliza propriedades de álgebras de Lie para sintetizar unitários de forma escalável, reduzindo exponencialmente o número de portas CNOT e demonstrando eficácia tanto em simulações quanto em hardware real.

Giacomo Belli, Marco Mordacci, Michele Amoretti2026-03-12⚛️ quant-ph

Pairwise Comparisons without Stochastic Transitivity: Model, Theory and Applications

Este artigo propõe uma nova família de modelos estatísticos para comparações pareadas que dispensa a suposição de transitividade estocástica, utilizando uma matriz antissimétrica de baixa dimensão para capturar dinâmicas complexas e alcançar desempenho preditivo superior e otimização minimax, mesmo em cenários com dados esparsos.

Sze Ming Lee, Yunxiao Chen2026-03-12📊 stat

Particle Trajectory Representation Learning with Masked Point Modeling

Este artigo apresenta o PoLAr-MAE, um modelo de aprendizado auto-supervisionado que utiliza modelagem de pontos mascarados para aprender representações de trajetórias de partículas em dados de câmaras de projeção temporal de argônio líquido (LArTPC), alcançando desempenho de segmentação semântica comparável ao estado da arte com apenas 100 eventos rotulados e liberando um novo conjunto de dados de 1 milhão de eventos para impulsionar a pesquisa na área.

Sam Young, Yeon-jae Jwa, Kazuhiro Terao2026-03-12⚛️ hep-ex

Graph machine learning for flight delay prediction due to holding manouver

Este estudo aplica técnicas de Aprendizado de Máquina em Grafos para prever atrasos de voos causados por manobras de espera, demonstrando que um modelo CatBoost enriquecido com características de grafos supera as Redes de Atenção Gráfica (GAT) em dados desbalanceados e oferece uma ferramenta web para simulação em tempo real, visando melhorar a eficiência operacional e a experiência dos passageiros.

Jorge L. Franco, Manoel V. Machado Neto, Filipe A. N. Verri + 1 more2026-03-12🤖 cs.LG

Logarithmic Regret for Online KL-Regularized Reinforcement Learning

Este artigo propõe um algoritmo de bandito contextual online baseado em otimismo para RL regularizado por KL, demonstrando que a paisagem de otimização benigna induzida pela regularização permite alcançar limites de arrependimento logarítmico tanto em contextos de bandito quanto em aprendizado por reforço completo, superando as limitações de trabalhos teóricos anteriores.

Heyang Zhao, Chenlu Ye, Wei Xiong + 2 more2026-03-12📊 stat

Boosting Cross-problem Generalization in Diffusion-Based Neural Combinatorial Solver via Inference Time Adaptation

Este artigo apresenta o DIFU-Ada, um framework de adaptação no tempo de inferência que permite a generalização zero-shot entre diferentes problemas e escalas em solucionadores de otimização combinatória baseados em difusão, sem a necessidade de treinamento adicional.

Haoyu Lei, Kaiwen Zhou, Yinchuan Li, Zhitang Chen, Farzan Farnia2026-03-12🤖 cs.LG

Is CLIP ideal? No. Can we fix it? Yes!

Este artigo demonstra que o espaço latente do CLIP possui limitações geométricas fundamentais que impedem a representação simultânea de múltiplas propriedades semânticas e propõe os Mapas de Similaridade Cosseno Densa (DCSMs) como uma solução interpretável que supera essas restrições, preservando a topologia semântica e melhorando o desempenho em diversos benchmarks.

Raphi Kang, Yue Song, Georgia Gkioxari, Pietro Perona2026-03-12🤖 cs.LG

Are Deep Speech Denoising Models Robust to Adversarial Noise?

O artigo demonstra que modelos recentes de supressão de ruído em fala podem ser facilmente enganados por ruído adversarial imperceptível, resultando em áudio ininteligível e destacando a necessidade de contramedidas antes de sua adoção em aplicações críticas.

Will Schwarzer, Neel Chaudhari, Philip S. Thomas, Andrea Fanelli, Xiaoyu Liu2026-03-12⚡ eess

Learn to Bid as a Price-Maker Wind Power Producer

Este artigo propõe um algoritmo de aprendizado online baseado em bandit contextual para otimizar as ofertas de produtores eólicos com poder de mercado (price-makers), permitindo minimizar custos de desequilíbrio e garantir a minimização do arrependimento sem a necessidade de modelos de mercado complexos ou computacionalmente onerosos.

Shobhit Singhal, Marta Fochesato, Liviu Aolaritei + 1 more2026-03-12⚡ eess

An Algorithm to perform Covariance-Adjusted Support Vector Classification in Non-Euclidean Spaces

Este artigo propõe um algoritmo de Máquinas de Vetores de Suporte (SVM) ajustado à covariância para espaços não euclidianos, que utiliza a decomposição de Cholesky para superar as limitações das condições KKT tradicionais e demonstrar superioridade em precisão e métricas de desempenho em comparação com métodos convencionais.

Satyajeet Sahoo, Jhareswar Maiti2026-03-12📊 stat

Rethinking Few-Shot Image Fusion: Granular Ball Priors Enable General-Purpose Deep Fusion

Este artigo propõe um método de fusão de imagens com poucos exemplos que introduz o conceito de "priors incompletos" e um algoritmo de computação de granularidade de pixel (GBPC) para permitir que redes neurais leves aprendam regras de fusão adaptativas sem a necessidade de imagens fundidas reais supervisionadas.

Minjie Deng, Yan Wei, An Wu, Yuncan Ouyang, Hao Zhai, Qianyao Peng2026-03-12⚡ eess

Offline Dynamic Inventory and Pricing Strategy: Addressing Censored and Dependent Demand

Este artigo propõe dois novos algoritmos baseados em dados para estimar políticas ótimas de precificação e controle de estoque em ambientes offline com demanda censurada e dependente, superando desafios como a perda da propriedade de Markov e a não estacionariedade através de aproximações de MDPs de alta ordem e análise de sobrevivência.

Korel Gundem, Zhengling Qi2026-03-12📊 stat

Score Matching Diffusion Based Feedback Control and Planning of Nonlinear Systems

Este artigo propõe um framework determinístico baseado em difusão para o controle da densidade de probabilidade de sistemas não lineares, utilizando um processo reverso de "remoção de ruído" para sintetizar leis de feedback que guiam o sistema a uma distribuição alvo, com garantias teóricas para sistemas sem deriva e LTI.

Karthik Elamvazhuthi, Darshan Gadginmath, Fabio Pasqualetti2026-03-12⚡ eess

Scalable Multi-Task Learning through Spiking Neural Networks with Adaptive Task-Switching Policy for Intelligent Autonomous Agents

O artigo apresenta o SwitchMT, uma metodologia inovadora que utiliza Redes Neurais de Spiking com uma política de alternância de tarefas adaptativa para superar a interferência entre tarefas e permitir a aprendizagem multi-tarefa escalável e eficiente em agentes autônomos com recursos limitados.

Rachmad Vidya Wicaksana Putra, Avaneesh Devkota, Muhammad Shafique2026-03-12🤖 cs.AI

Panda: A pretrained forecast model for chaotic dynamics

O artigo apresenta o Panda, um modelo pré-treinado de previsão para sistemas caóticos que, ao ser treinado exclusivamente em dados sintéticos de equações diferenciais ordinárias, demonstra capacidades emergentes de previsão zero-shot em sistemas não vistos, incluindo equações diferenciais parciais e séries temporais do mundo real, preservando tanto a precisão de curto prazo quanto medidas distribucionais.

Jeffrey Lai, Anthony Bao, William Gilpin2026-03-12🌀 nlin

LLLMs: A Data-Driven Survey of Evolving Research on Limitations of Large Language Models

Este artigo apresenta uma revisão semiautomatizada e orientada por dados de pesquisas sobre as limitações de modelos de linguagem grandes (LLLMs) entre 2022 e 2025, identificando um crescimento acelerado do tema e mapeando suas principais tendências, como raciocínio, alucinação e segurança, por meio da análise de um vasto corpus de publicações.

Aida Kostikova, Zhipin Wang, Deidamea Bajri, Ole Pütz, Benjamin Paaßen, Steffen Eger2026-03-12💬 cs.CL

Consistency-based Abductive Reasoning over Perceptual Errors of Multiple Pre-trained Models in Novel Environments

Este artigo propõe um quadro de raciocínio abduzido baseado em consistência que integra previsões de múltiplos modelos pré-treinados para mitigar a degradação de desempenho em ambientes novos, utilizando regras lógicas para selecionar um subconjunto de previsões que maximize a cobertura mantendo inconsistências abaixo de um limite, resultando em ganhos significativos de precisão e recall em comparação com modelos individuais e ensembles padrão.

Mario Leiva, Noel Ngu, Joshua Shay Kricheli, Aditya Taparia, Ransalu Senanayake, Paulo Shakarian, Nathaniel Bastian, John Corcoran, Gerardo Simari2026-03-12🤖 cs.AI

CARTGen-IR: Synthetic Tabular Data Generation for Imbalanced Regression

O artigo propõe o CARTGen-IR, um método sintético baseado em árvores de decisão para gerar dados tabulares que abordam a regressão desbalanceada sem o uso de thresholds arbitrários, oferecendo uma solução escalável, interpretável e eficiente para regiões de alvo esparsas.

António Pedro Pinheiro, Rita P. Ribeiro2026-03-12🤖 cs.LG

← Anterior Próximo →