5419 artigos
Este artigo propõe uma abordagem paramétrica para regressão não paramétrica que, ao representar funções suaves e suas derivadas em um espaço de dimensão finita, alcança taxas de convergência minimax ótimas sob ruído sub-Gaussiano enquanto reduz drasticamente a complexidade de memória e computação, permitindo inferência leve sem armazenar todas as amostras.
Este artigo explora o potencial dos modelos de difusão generativa (GDM) nas comunicações MIMO massivas, oferecendo uma visão geral do tema, discutindo avanços recentes e apresentando um estudo de caso sobre estimação de canais em campo próximo para demonstrar a eficácia da GDM na aquisição de informações de estado do canal (CSI) ultra-dimensionais.
Este artigo investiga o fenômeno de colapso de embeddings no Prompt-Tuning, demonstrando que priores de embedding influenciam significativamente a posição dos embeddings ajustados e que as trajetórias geradas formam clusters distintos para tarefas distantes, levantando questões sobre a importância de um único cluster de ativação para a generalização dos modelos de linguagem.
Este artigo propõe um método que utiliza modelos de visão e linguagem pré-treinados para aprender modelos de mundo simbólicos abstratos a partir de demonstrações curtas, permitindo que robôs generalizem para zero-shot e resolvam problemas de tomada de decisão de longo horizonte em cenários complexos e variados através de planejamento.
Este artigo apresenta o UFGraphFR, um sistema de recomendação federado que supera as limitações da fragmentação de dados ao reconstruir grafos de relacionamento de usuários de forma segura no servidor, utilizando vetores semânticos derivados de descrições de texto para capturar similaridades de preferência e melhorar a precisão das recomendações sem comprometer a privacidade.
Este artigo propõe estratégias de redução de dados baseadas em agrupamento no espaço latente para otimizar o treinamento adversário semi-supervisionado, permitindo alcançar robustez comparável com 5 a 10 vezes menos dados não rotulados e reduzir o tempo de execução em 3 a 4 vezes.
Este artigo estabelece limites teóricos para o risco excessivo em problemas de classificação com rótulos ruidosos no contexto de aprendizado profundo, decompondo-os em erros estatísticos e de aproximação e refinando-os sob a hipótese de variedades de baixa dimensão para mitigar a maldição da dimensionalidade.
O artigo apresenta o GPC (Generative Predictive Control), um framework de aprendizado que combina clonagem de comportamento, modelagem preditiva do mundo e planejamento online para superar consistentemente a clonagem de comportamento em diversas tarefas de manipulação robótica, tanto em simulação quanto no mundo real.
Este artigo analisa teoricamente e valida experimentalmente como os esquemas de computação codificada aproximada BACC e LeTCC superam o problema de servidores lentos (stragglers) em um regime probabilístico, demonstrando que o erro de aproximação converge para zero à medida que o número total de servidores aumenta, mesmo na presença de stragglers.
O artigo apresenta o GRADIEND, um método inovador de codificação e decodificação que utiliza gradientes de modelos para identificar e reescrever pesos neurais, permitindo a remoção de vieses sociais (como gênero, raça e religião) em sistemas de IA sem comprometer suas outras capacidades.
Este artigo analisa a segurança e a qualidade do código gerado por modelos de linguagem de grande escala (LLMs) em múltiplas linguagens, revelando que, embora a automação seja eficaz, os modelos frequentemente falham ao adotar recursos de segurança modernos e ainda empregam métodos desatualizados, especialmente em C++ e Java 17.
Este artigo propõe um novo algoritmo de busca local eficiente para a descoberta de comunidades polarizadas em redes assinadas, que resolve o problema de desequilíbrio de tamanho das comunidades, permite a existência de vértices neutros e garante uma taxa de convergência linear, superando os métodos atuais em qualidade da solução.
O artigo apresenta o CLEF, um modelo que permite a edição controlada e direcionada de sequências longitudinais biológicas e clínicas, superando métodos existentes ao especificar com precisão o momento e o escopo das intervenções para gerar trajetórias contrafactuais realistas.
Este artigo demonstra que a adaptação de baixo rank (LoRA) reduz significativamente a memorização indesejada em modelos de linguagem grandes treinados por aprendizado federado, preservando o desempenho e podendo ser combinada com outras técnicas de privacidade para proteger dados sensíveis em domínios críticos.
O artigo apresenta o A3RL, um método que integra aprendizado por reforço online e offline através de uma estratégia de amostragem ativa consciente da confiança para priorizar dados alinhados às necessidades da política, superando desafios como esquecimento catastrófico e ineficiência de amostragem.
O artigo apresenta o framework "Texts as Time Series" (TaTS), que aproveita as propriedades periódicas de textos pareados com séries temporais para aprimorar a previsão e imputação multimodal em modelos existentes, sem a necessidade de alterar suas arquiteturas.
O artigo apresenta o LaVCa, uma abordagem baseada em modelos de linguagem grandes (LLMs) que gera legendas em linguagem natural para descrever com maior precisão e detalhe a seletividade de voxels no córtex visual humano, superando métodos anteriores e revelando diferenciações funcionais de alta granularidade.
Este artigo propõe o framework COD (Clustering-On-Difficulty), que agrupa tarefas por características de escalabilidade de dificuldade para prever com alta precisão o desempenho de modelos de linguagem grandes em benchmarks downstream, superando as limitações das metodologias atuais devido ao fenômeno de emergência e à variabilidade de métricas.
Este estudo propõe um algoritmo que funde imagens de ressonância magnética multimodais (T1, T2, T1ce e FLAIR) segmentadas por redes U-Net em 2D e 3D e classificadas por um modelo ResNet50, alcançando uma precisão de 99,25% na subclasse de gliomas e superando técnicas existentes.
Este trabalho propõe o método LOOP (Leave-One-Out PPO), uma nova abordagem de aprendizado por reforço para o ajuste fino de modelos de difusão texto-para-imagem que combina técnicas de redução de variância do REINFORCE com a robustez e eficiência amostral do PPO, superando as limitações de ambos ao alcançar um melhor equilíbrio entre eficiência de amostragem e desempenho final.