2315 artigos
Este artigo demonstra que choques geopolíticos e geoeconômicos afetam o risco soberano por canais distintos, formando um padrão de "tesoura" onde os efeitos diretos e os do ciclo financeiro global se movem em direções opostas, implicando que a liquidez pode mitigar apenas a componente mediada pelo ciclo financeiro e não o prêmio de risco geopolítico persistente.
O artigo propõe o HyWA, um método que utiliza uma hiper-rede para gerar pesos personalizados em camadas específicas de um modelo de detecção de atividade vocal, superando as técnicas existentes ao melhorar a precisão média e facilitar a implantação através do reuso da mesma arquitetura.
O artigo apresenta um framework generativo explicável e consciente de viés que unifica fusão de atenção multimodal, atribuição Grad-CAM++ e um ciclo de feedback "Reveal-to-Revise", demonstrando desempenho superior e maior robustez em benchmarks de geração de imagens e classificação de texto.
Este artigo apresenta novos índices absolutos de validação de clusters que definem funções de compactação e margens de separabilidade para determinar o número verdadeiro de clusters, demonstrando sua eficácia em comparação com índices relativos tradicionais em diversos conjuntos de dados sintéticos e reais.
Este artigo propõe um quadro teórico baseado na "ansatz de estrutura de autovalores de Hermite" (HEA) que permite prever as curvas de aprendizado da regressão por kernel em conjuntos de dados reais, como CIFAR-5m e ImageNet, utilizando apenas estatísticas de dados brutos e demonstrando que redes MLP também aprendem polinômios de Hermite conforme previsto pelo modelo.
Este artigo apresenta uma análise unificada baseada em geometria que demonstra que o algoritmo de Iteração de Valor converge geometricamente tanto nos cenários de recompensa descontada quanto na média, sob a suposição de uma política ótima unichain única, superando assim as garantias teóricas anteriores que subestimavam sua velocidade de convergência.
O artigo apresenta o KVTC, um codificador de transformada leve que comprime caches de chave-valor em modelos de linguagem grandes usando decorrelação de recursos baseada em PCA, quantização adaptativa e codificação de entropia, alcançando uma redução de até 20 vezes no uso de memória sem comprometer a precisão do raciocínio ou do contexto longo.
O artigo apresenta os Modelos Causais de Séries Temporais Aumentados (ATSCM), uma abordagem que integra descoberta causal neural e raciocínio contrafactual para detectar regimes em mercados de energia e analisar como variáveis como a geração renovável influenciam os preços em tempo real.
O artigo propõe o TNCM-VAE, um modelo que combina autoencoders variacionais com modelos causais estruturais para gerar séries temporais financeiras sintéticas com relações causais preservadas, permitindo análises contrafactuais e testes de estresse mais precisos.
Este artigo propõe o framework DGET, uma arquitetura de aprendizado multi-tarefa que combina Redes Neurais em Grafos e Transformers para otimizar o agendamento em redes IoT híbridas de RF e ópticas, alcançando desempenho próximo ao ótimo com menor complexidade computacional e robustez sob observação parcial do canal.
O artigo apresenta o STREAM-VAE, um modelo de autoencoder variacional com roteamento de dupla via que separa dinâmicas de deriva lenta e picos rápidos em dados de telemetria veicular para melhorar a detecção robusta de anomalias em comparação com métodos existentes.
Este artigo apresenta um framework hierárquico de dupla estratégia para o esquecimento seletivo em modelos de linguagem grandes aplicados à saúde, que remove conhecimento especializado sensível preservando competências médicas fundamentais com alta eficiência e garantias de privacidade.
O artigo apresenta o CostNav, um novo benchmark que avalia agentes de IA física com base em análises econômicas realistas e dados industriais, revelando que os métodos atuais de navegação, embora focados no sucesso da tarefa, não são economicamente viáveis para aplicações comerciais no mundo real.
Este artigo introduz o framework PI-MDP e algoritmos de aprendizado por reforço parcialmente equivariantes (PE-DQN e PE-SAC) que mitigam erros de generalização em ambientes com quebra de simetria ao aplicar seletivamente backups de Bellman invariantes ou padrão, resultando em maior eficiência de amostragem e robustez em comparação com métodos existentes.
Este artigo apresenta um framework de co-design que aprende simultaneamente a morfologia da mão robótica e políticas de controle complementares para tarefas específicas, permitindo o projeto, treinamento, fabricação e implantação de novas mãos dexterosas em menos de 24 horas.
O artigo apresenta o AlphaQubit 2, um decodificador neural escalável e em tempo real que atinge taxas de erro lógico próximas ao ótimo para códigos de superfície e de cor, superando a velocidade e a precisão de decodificadores existentes e viabilizando a correção de erros quânticos em escala para computação tolerante a falhas.
O artigo apresenta o Trio, um framework de geração molecular que integra modelagem de linguagem baseada em fragmentos, aprendizado por reforço e busca em árvore Monte Carlo para criar um paradigma de descoberta de fármacos em ciclo fechado, superando métodos existentes ao gerar ligantes com maior afinidade de ligação, propriedades farmacológicas aprimoradas e acessibilidade sintética, além de expandir significativamente a diversidade química.
Este trabalho introduz variantes de florestas aleatórias baseadas no princípio de Minimização do Risco Máximo (MaxRM) para melhorar a generalização fora da distribuição, oferecendo algoritmos computacionalmente eficientes, garantias de consistência estatística e novos limites teóricos para distribuições de teste não vistas.
O artigo apresenta o PvP, um framework de aprendizado contrastivo que utiliza representações latentes de estados proprioceptivos e privilegiados para melhorar a eficiência de amostragem e o desempenho no controle corporal completo de robôs humanoides, além de introduzir o SRL4Humanoid, uma estrutura unificada para avaliação sistemática de métodos de aprendizado de representação de estado.
Este artigo apresenta o PBT (Pretrained Battery Transformer), o primeiro modelo fundamental para previsão universal da vida útil de baterias, que supera os métodos existentes ao integrar dados heterogêneos de múltiplos tipos de baterias por meio de camadas de especialistas codificadas com conhecimento específico.