6386 artigos
O artigo apresenta o CarbonBench, o primeiro benchmark global padronizado que utiliza mais de 1,3 milhão de observações de fluxos de carbono para avaliar e comparar rigorosamente métodos de aprendizado zero-shot na generalização espacial de modelos de troca de carbono terrestre entre diferentes ecossistemas e regimes climáticos.
O artigo propõe o MSSR, um framework de replay adaptativo que estima a força de memória em nível de amostra e agenda a reutilização de dados em intervalos dinâmicos para mitigar o esquecimento catastrófico durante o ajuste contínuo de grandes modelos de linguagem, superando os métodos existentes em eficiência e desempenho.
O artigo apresenta o OptEMA, um otimizador adaptativo baseado em Média Móvel Exponencial que, ao eliminar a necessidade de constantes de Lipschitz e parâmetros pré-definidos, garante taxas de convergência quase ótimas no regime sem ruído e adaptativas ao nível de ruído sob condições padrão de descida de gradiente estocástica.
Este artigo estabelece que a modelagem generativa via derivação (drifting) é teoricamente equivalente ao *score matching*, revelando suas bases variacionais e espectrais para explicar limitações de kernels, propor um novo esquema de annealing de banda e justificar a necessidade do operador *stop-gradient* para treinamento estável.
O artigo apresenta o SignalMC-MED, um novo benchmark multimodal baseado em dados sincronizados de ECG e PPG de longa duração para avaliar modelos fundamentais de biosinais, demonstrando que a fusão multimodal e o uso de sinais completos superam abordagens unimodais e segmentos curtos, enquanto características manuais de ECG oferecem um forte baseline complementar.
Este artigo apresenta o Indicador de Superajuste-Subajuste (OUI) como um sinal estrutural precoce e eficiente para identificar taxas de aprendizado ideais em algoritmos PPO, demonstrando que a análise das ativações neuronais permite descartar execuções promissoras muito antes do término do treinamento com maior precisão do que métricas tradicionais.
Este trabalho apresenta os "neural debuggers", modelos de linguagem que emulam depuradores tradicionais permitindo controle interativo sobre a execução de código Python, superando as limitações dos interpretadores neurais existentes e estabelecendo as bases para sistemas de codificação autônomos mais avançados.
Este artigo propõe uma nova família de normas de operador normalizadas por média que permitem o controle independente da largura das constantes de Lipschitz e suavidade, resultando no otimizador MOGA, que garante transferência estável de taxas de aprendizado entre diferentes larguras de modelo e supera o Muon em regimes de baixa perda e grandes tokens.
O artigo apresenta o C2FMAE, um autoencoder mascarado de coarse-to-fine que resolve a tensão entre aprendizado de semântica global e detalhes locais ao aprender representações visuais hierárquicas através de um decodificador em cascata e um currículo de mascaramento progressivo, resultando em ganhos significativos em tarefas de visão computacional.
O estudo demonstra que, ao contrário do comportamento humano, o raciocínio em modelos de linguagem aumenta consistentemente a honestidade, não apenas pelo conteúdo do pensamento, mas porque o processo de geração de tokens deliberativos navega por um espaço representacional onde as respostas enganosas são metaestáveis e mais facilmente destabilizadas do que as honestas.
Este artigo demonstra que, em cenários de dados realistas com características correlacionadas, a superposição em redes neurais pode organizar-se de forma a transformar interferências em efeitos construtivos, gerando agrupamentos semânticos e estruturas cíclicas que não são explicadas pelo modelo tradicional de superposição baseado em características não correlacionadas.
O artigo apresenta o framework TAM-RL, que combina aprendizado de representação espaço-temporal com restrições físicas baseadas na equação de balanço de carbono para melhorar significativamente a precisão e a generalização da escala global de fluxos de carbono terrestres.
Este artigo apresenta duas abordagens de detecção de pontos de mudança baseadas em redes neurais e aprendizado online, que possuem complexidade computacional linear, superam os métodos existentes em diversos conjuntos de dados e são provadas convergir para soluções ótimas.
Os autores propõem uma extensão do modelo semi-paramétrico BART que permite covariáveis compartilhadas entre os componentes linear e não paramétrico, resolvendo problemas de não identificabilidade e viés para capturar interações complexas, com validação em simulações e dados de avaliação educacional internacional.
Este artigo apresenta um framework de Máquina de Vetores de Suporte (SVM) de caixa branca otimizado por algoritmos de enxame para a supervisão em tempo real de fresas dentadas, utilizando características de vibrações do eixo e seleção de recursos para monitorar falhas e desgaste das ferramentas.
Este artigo oferece uma visão geral da Aprendizagem por Reforço Automatizada (AutoRL), abrangendo sua literatura, técnicas recentes baseadas em modelos de linguagem, desafios e direções futuras para automatizar componentes como modelagem de MDP, seleção de algoritmos e otimização de hiperparâmetros.
Este artigo propõe um modelo de classificação baseado em subsequências e consciente da incerteza, que combina desempenho comparável aos métodos de ponta com explicabilidade nativa para lidar com séries temporais astronômicas incertas, superando as limitações de métodos interpretáveis existentes e ignorando a incerteza dos dados.
Este artigo apresenta um método de aprendizado de ensemble baseado em Regressão por Processos Gaussianos que, ao reduzir a complexidade computacional e incorporar a incerteza preditiva na alocação de ativos, supera modelos existentes e o índice S&P 500 em termos de retorno econômico e estatístico em uma análise empírica de ações dos EUA entre 1962 e 2016.
Este artigo estabelece garantias de amostragem finita para um método de aprendizado de representação de estado orientado a custos que, ao prever custos multietapa sem modelar observações ou ações, permite encontrar controladores e representações latentes quase ótimos para problemas de controle Linear Quadrático Gaussiano (LQG) de horizonte finito.
Este artigo propõe o IW-DKF, uma extensão do Filtro de Kalman Profundo que aplica amostragem por importância para obter objetivos de Monte Carlo mais rigorosos, resultando em melhorias significativas na estimativa de verossimilhança, na inferência de estados latentes e na aprendizagem de parâmetros em modelos não lineares complexos.