5463 artigos
Este trabalho propõe o algoritmo LPAM e sua rede neural correspondente, LPAM-net, para resolver problemas de otimização não convexa e não suave em dois blocos, garantindo convergência para pontos estacionários de Clarke e demonstrando alta eficiência e desempenho superior na reconstrução de imagens de ressonância magnética com dados subamostrados.
Este artigo propõe um sistema neurosimbólico que aprende a reconstruir imagens médicas a partir de primitivas visuais, resultando em um modelo mais transparente e preciso para o diagnóstico de anomalias em imagens histológicas do que as arquiteturas convencionais de aprendizado profundo.
O artigo apresenta o Puppet-CNN, um framework que modela os parâmetros de redes neurais convolucionais como um sistema dinâmico contínuo governado por equações diferenciais, permitindo a geração adaptativa de camadas baseada na complexidade da entrada e reduzindo significativamente o número de parâmetros armazenados sem comprometer o desempenho.
Este artigo propõe um novo quadro para modelos de difusão que adapta dinamicamente o processo de geração às necessidades de cada amostra, permitindo trajetórias variáveis que mantêm a qualidade da imagem enquanto reduzem o número médio de etapas de amostragem.
Este estudo propõe uma estratégia de otimização de tarefas locomotoras que, ao identificar um conjunto mínimo e representativo de atividades para treinar redes neurais, reduz significativamente a necessidade de coleta de dados em laboratório sem comprometer a precisão na estimativa de momentos articulares do quadril para o controle de exoesqueletos.
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.