2315 artigos
Este estudo demonstra que, para previsão de vendas no varejo com demanda intermitente e dados incompletos, métodos baseados em árvores como o XGBoost superam arquiteturas de aprendizado profundo, indicando que a adequação às características do problema é mais crucial do que a sofisticação do modelo.
O artigo apresenta o ReLIFT, uma abordagem inovadora que intercala aprendizado por reforço (RL) e ajuste fino supervisionado (SFT) online para superar as limitações do RL ao adquirir novos conhecimentos e padrões de raciocínio, demonstrando melhorias significativas em benchmarks de alto nível com uso reduzido de dados.
O artigo define e avalia os Modelos Escaneáveis por Prefixo (PSMs), uma classe generalizada de redes neurais que unifica arquiteturas existentes e introduz novos modelos capazes de oferecer treinamento paralelizável e inferência sequencial eficiente, mantendo a expressividade dos transformers com complexidade de memória logarítmica.
Esta pesquisa oferece uma visão abrangente da evolução da privacidade diferencial, desde a IA simbólica até os Grandes Modelos de Linguagem, analisando suas definições fundamentais, métodos de integração em modelos de aprendizado de máquina e técnicas de avaliação prática para garantir sistemas de IA seguros e responsáveis.
O artigo apresenta o K-Sil, uma variante do algoritmo -means que pondera instâncias com base em uma métrica de silhueta para reduzir a sensibilidade a outliers e geometrias heterogêneas, demonstrando melhorias consistentes em métricas de validação em diversos conjuntos de dados reais.
Este artigo apresenta o Yokai Learning Environment (YLE), um novo benchmark de código aberto para coordenação zero-shot que supera as limitações do Hanabi Learning Environment ao exigir que agentes cooperantes construam terreno comum através do rastreamento de crenças sobre cartas móveis e do raciocínio sob dicas ambíguas, revelando que os métodos de IA de última geração que dominam o Hanabi falham em manter modelos internos consistentes com parceiros desconhecidos no YLE.
Este artigo apresenta o algoritmo \texttt{SRTS} baseado em Amostragem de Thompson para otimização da razão de Sharpe em bandits estocásticos, estabelecendo limites de arrependimento superiores e inferiores que provam sua optimalidade de ordem e demonstrando seu desempenho superior em simulações empíricas.
Este artigo estabelece as condições teóricas para a universalidade de simuladores quânticos análogos com controle global, demonstra que pulsos aleatórios geram emaranhamento e aleatoriedade eficientes, e valida experimentalmente a síntese de interações efetivas complexas e dinâmicas topológicas em arrays de átomos de Rydberg através de um novo framework de controle quântico ótimo direto.
Este trabalho propõe um método rápido e determinístico para completar tensores com base na decomposição Tensor Train, utilizando apenas álgebra linear padrão para recuperar dados a partir de observações completas ou ausentes de fibras ao longo de um único modo, uma configuração comum em aplicações como séries temporais.
Este artigo apresenta um método de solução transferível para problemas de controle ótimo com objetivos variáveis, utilizando políticas de codificador de funções que aprendem uma base neural reutilizável offline para permitir adaptação zero-shot eficiente e quase ótima online com custo computacional mínimo.
Este artigo explica teoricamente as vantagens de sincronizar temperatura e viés treináveis na função de perda sigmoidal, introduzindo o conceito de "Constelações" para justificar o sucesso do modelo SigLIP, elucidar o fenômeno do "modality gap" e determinar a dimensão necessária para representações de alta qualidade.
Este estudo demonstra que modelos de aprendizado profundo, especificamente U-Net e SCAN, superam métodos convencionais na segmentação de nuvens e sombras de nuvens em imagens hiperespectrais de alta resolução das missões MethaneSAT e MethaneAIR, garantindo uma detecção mais precisa essencial para a quantificação de emissões de metano.
Este estudo empírico em larga escala revela que benchmarks de perguntas e respostas visuais frequentemente apresentam dependências inesperadas de modalidades individuais (texto ou imagem) em vez de interações multimodais, destacando a necessidade de um novo paradigma para o design e avaliação de conjuntos de dados multimodais.
Este artigo propõe um framework baseado em API que desacopla o ciclo de vida dos modelos de aprendizado de máquina do ambiente de produção, permitindo que empresas integrem essa tecnologia em sistemas legados sem custos de atualização de hardware ou interrupções operacionais, por meio de uma interface leve e interativa que empodera especialistas humanos.
O artigo apresenta o SMoPE, um novo framework para aprendizado contínuo baseado em prompts que utiliza uma arquitetura esparsa de Mixture of Experts para ativar dinamicamente um subconjunto de "especialistas de prompt", equilibrando assim eficiência computacional e desempenho ao mitigar interferência de conhecimento sem escalar linearmente com o número de tarefas.
O RADAR é um framework de roteamento leve e interpretável que otimiza o desempenho e o custo de modelos de raciocínio ao direcionar consultas com base em sua dificuldade e na capacidade dos modelos em diferentes orçamentos de raciocínio.
O artigo apresenta o Composer, um framework de busca arquitetônica modular que descobre novas arquiteturas de modelos de linguagem híbridos, superando o Llama 3.2 em desempenho, eficiência e redução de perda de validação ao explorar automaticamente combinações de primitivas computacionais e extrapolar as melhores configurações para escalas maiores.
O artigo apresenta o MIG-Vis, um método que utiliza modelos de difusão guiados por informação mútua para visualizar e validar que grupos de neurônios no córtex visual superior de macacos codificam informações visuais-semanticas estruturadas e seletivas, como pose de objetos e transformações inter e intra-categoriais.
O estudo demonstra que, em sistemas multiagentes de LLM, a comunicação direta é um mecanismo de coordenação mais robusto e eficaz para promover cooperação do que a aprendizagem curricular, que pode inadvertidamente induzir pessimismo e reduzir o desempenho devido a escolhas de design inadequadas.
Este artigo apresenta a primeira avaliação sistemática de aprendizado auto-supervisionado para o estágio do sono usando EEG vestível, demonstrando que essa abordagem supera os métodos supervisionados ao alcançar precisão clínica com apenas 5% a 10% dos dados rotulados e reduzir significativamente a dependência de anotações manuais.