6449 artigos
Este artigo propõe uma Rede de Osciladores Acoplados (CON) que, ao garantir estrutura lagrangiana, estabilidade global e mapeamento invertível, permite o controle de alto desempenho de sistemas físicos complexos diretamente no espaço latente utilizando apenas imagens como feedback.
O artigo apresenta o xTED, um framework que utiliza um modelo de difusão para editar trajetórias de um domínio de origem e adaptá-las a um domínio alvo, preenchendo lacunas de dados de forma universal e flexível para melhorar o aprendizado de políticas em tarefas de tomada de decisão com dados limitados.
Este artigo apresenta o BNEM, um amostrador baseado em Boltzmann que utiliza a técnica de correspondência de energia com ruído (NEM) combinada com um método de bootstrap para gerar amostras independentes e identicamente distribuídas a partir de funções de energia, alcançando desempenho superior e maior robustez em comparação com trabalhos anteriores.
Este artigo estabelece que, para uma classe de MDPs de horizonte finito com espaços de estado e ação gerais, o problema de otimização de políticas satisfaz a condição Polyak-Łojasiewicz-Kurdyka, garantindo a convergência global não assintótica de métodos de gradiente de política com complexidade de amostra e fornecendo as primeiras garantias teóricas para sistemas de inventário e saldos de caixa estocásticos.
Este artigo apresenta as Equações Diferenciais com Atraso Neurais (NDDEs), um framework contínuo inspirado no formalismo de Mori-Zwanzig que utiliza um conjunto finito de atrasos temporais para aprender dinâmicas não-Markovianas de sistemas parcialmente observáveis de forma mais eficiente e precisa do que métodos existentes como LSTMs e ANODEs.
O artigo apresenta o LS-Imagine, um método que supera a limitação de visão curta de agentes de aprendizado por reforço em mundos abertos ao construir um modelo de mundo de "longo-curto prazo" que simula transições de estado saltitantes e mapas de affordance para melhorar a exploração de recompensas de longo prazo no MineDojo.
Este artigo propõe um quadro analítico PAC-Bayesiano que modela o treinamento adversarial como um sistema dinâmico discreto para explicar mecanicamente o fenômeno de *overfitting* robusto, revelando como a evolução temporal da média e covariância do posterior se conecta à taxa de aprendizado, à geometria do espaço de perdas e aos gradientes estocásticos.
Este trabalho demonstra que transformadores, em cenários de aprendizado em contexto, conseguem inferir implicitamente estados ocultos para prever a saída de diversos sistemas dinâmicos com ruído, alcançando desempenho comparável ao Filtro de Kalman, EKF e Filtro de Partículas sem necessidade de atualizações de gradiente ou conhecimento explícito do modelo.
Os autores propõem o Agrupamento de Transferência Adaptativa (ATC), uma estrutura unificada que automatiza o aproveitamento de dados auxiliares para melhorar o agrupamento em modelos estatísticos diversos, equilibrando automaticamente similaridades e discrepâncias entre conjuntos de dados.
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.