6611 artigos
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.
O artigo apresenta o MU-Mis, um método inovador de desaprendizagem de máquina que elimina a influência de dados específicos suprimindo sua contribuição no modelo pré-treinado sem degradar o desempenho nos dados restantes, tornando desnecessário o acesso a esses dados para um desempenho comparável às melhores abordagens existentes.
Este artigo apresenta uma revisão abrangente da Avaliação Adaptativa Computadorizada (CAT) sob uma perspectiva de aprendizado de máquina, explorando como técnicas modernas podem otimizar modelos de medição, seleção de questões e controle de testes para criar sistemas mais robustos, justos e eficientes.
Este artigo apresenta o framework NQS-DQME, que utiliza estados quânticos neurais e dissipatons para simular com precisão e escalabilidade a dinâmica quântica dissipativa não-Markoviana, superando as limitações computacionais de métodos anteriores.
O artigo apresenta o LoRA-Ensemble, um método eficiente e parametrizado para modelagem de incerteza em redes de autoatenção que utiliza adaptações de baixo rank para criar um ensemble implícito, superando técnicas existentes e igualando ou superando a precisão de ensembles explícitos com melhor calibração.
O artigo apresenta o FEX, um novo framework que utiliza otimização por gradiente de política para gerar explicações baseadas em atribuição de forma rápida e escalável, reduzindo drasticamente o tempo de inferência e o uso de memória em comparação com abordagens tradicionais, sem comprometer a qualidade ou a aplicabilidade geral.
Este artigo investiga a fase de corrupção observada no ajuste fino de poucos exemplos de Modelos de Difusão, identifica sua causa na distribuição de aprendizado restrita e propõe o uso de Redes Neurais Bayesianas para mitigar esse problema, melhorando a fidelidade, qualidade e diversidade das imagens geradas sem custos adicionais de inferência.
Este artigo propõe o DKDL-Net, um modelo leve de detecção de falhas em rolamentos que combina destilação de conhecimento desacoplada e ajuste fino de baixo rank para alcançar uma precisão de 99,48% com apenas 6.838 parâmetros, superando os modelos existentes em eficiência computacional e desempenho.
Este artigo propõe uma abordagem semiparamétrica estruturada baseada em redes neurais para corrigir o viés causado pela interferência algorítmica em experimentos de plataformas de conteúdo, permitindo a estimativa precisa do efeito global do tratamento ao modelar explicitamente a competição por exposição entre criadores.
O artigo apresenta o LAMBDA, um sistema de análise de dados baseado em agentes de linguagem natural de código aberto e sem necessidade de programação, que combina agentes programadores e inspetores com intervenção humana direta e integração de conhecimento externo para tornar a análise de dados mais acessível e eficiente.
O artigo apresenta o OTAD, um modelo de defesa adversarial robusto que combina treinamento de redes neurais com regularização baseada em transporte ótimo e interpolação via problema de integração convexa para garantir continuidade de Lipschitz local, superando modelos existentes em diversos conjuntos de dados.
Este artigo estabelece as fundações estatísticas do estimador de máxima verossimilhança parcial em mini-lotes (mb-MPLE) para redes neurais de Cox, demonstrando sua consistência e eficiência assintótica, enquanto oferece orientações práticas para o ajuste de hiperparâmetros e a convergência do gradiente descendente estocástico em aplicações de larga escala.
Este artigo propõe um método de Amostragem de Importância Annealed (AIS) combinado com reparametrização eficiente para otimizar o aprendizado variacional de Modelos de Variáveis Latentes de Processo Gaussiano (GPLVMs), superando as limitações de abordagens anteriores em espaços de alta dimensão e alcançando melhores limites variacionais e convergência em diversos conjuntos de dados.
Este artigo estabelece uma teoria unificada para a comparação de redes generalizadas (Z-redes) através da definição da distância Z-Gromov-Wasserstein, demonstrando que ela constitui uma métrica com propriedades desejáveis e fornecendo limites inferiores computáveis para aplicações práticas.