2167 artigos
Este artigo propõe um quadro unificado para avaliar como a personalização de modelos de aprendizado de máquina afeta simultaneamente a precisão preditiva e a explicabilidade, revelando que esses impactos podem divergir e estabelecendo limites teóricos para determinar quando efeitos de personalização são estatisticamente testáveis em conjuntos de dados reais.
Este artigo introduz o conceito de "assinatura espacial" de um conjunto de dados para mapear pontos em um espaço de baixa dimensão onde utilidades se tornam funcionais lineares, permitindo uma metodologia prática com métrica explícita para avaliar e garantir a robustez da valoração de dados baseada em semivalores frente a mudanças na escolha da utilidade.
Este artigo apresenta um framework integrado de Real2Sim2Real que utiliza inferência sem verossimilhança para estimar distribuições de parâmetros físicos de objetos lineares deformáveis (DLOs) a partir de dados visuais e proprioceptivos, permitindo o treinamento de políticas visuomotoras em simulação que são transferidas com sucesso para o mundo real de forma zero-shot.
O artigo apresenta o método de Reescalamento de Importância de Recursos (FIR), uma abordagem teoricamente fundamentada que melhora a avaliação da qualidade de agrupamento em misturas gaussianas ruidosas ao ajustar as contribuições dos recursos, reduzindo o impacto de características irrelevantes e aumentando a robustez dos índices de validação em cenários sem rótulos externos.
O artigo apresenta o HyConEx, um classificador baseado em hiperredes profundas para dados tabulares que, de forma inovadora, combina previsões de classe e a geração de exemplos contrafactuais locais para explicar as decisões do modelo em uma única rede neural.
Este artigo investiga empiricamente a construção de árvores de modelo globalmente ótimas utilizando programação linear inteira mista, demonstrando que elas alcançam precisão competitiva com árvores muito menores em comparação aos métodos tradicionais de crescimento ganancioso.
Este artigo propõe uma crítica consequencialista à avaliação de classificação binária, defendendo a adoção de regras de pontuação adequadas como o escore Brier em vez de métricas de limiar fixo, e oferece um novo framework teórico, uma variante do escore Brier e a ferramenta prática `briertools` para alinhar a avaliação de modelos de aprendizado de máquina com a utilidade decisória real.
O artigo apresenta o CDGLT, um novo quadro de trabalho eficiente que utiliza o ajuste de LayerNorm guiado por deriva de conceitos para melhorar a identificação de metáforas multimodais, alcançando desempenho de última geração no benchmark MET-Meme com custos de treinamento reduzidos.
O artigo apresenta o Stepwise Guided Policy Optimization (SGPO), uma nova abordagem que mitiga a limitação do GRPO em grupos de amostras inteiramente incorretas ao introduzir diversidade de respostas via um modelo julgador passo a passo, acelerando assim o aprendizado de modelos de linguagem grandes em tarefas de raciocínio sem exigir que o julgador gere soluções corretas.
O artigo apresenta a Máquina de Boltzmann Restrita Gaussiana-Multinomial (GM-RBM), uma extensão do modelo Potts que substitui unidades ocultas binárias por categóricas de q-estados para melhorar a representação de conceitos multivariados, demonstrando através de benchmarks que essa abordagem discreta oferece desempenho competitivo e superior em tarefas de memória estruturada e raciocínio analógico em comparação com modelos contínuos de capacidade equivalente.
O artigo propõe o JULI, um método que quebra a segurança de Grandes Modelos de Linguagem (LLMs) em cenários de caixa-preta ao manipular as probabilidades logarítmicas dos tokens por meio de um pequeno bloco chamado BiasNet, alcançando eficácia superior mesmo com acesso limitado apenas aos top-5 tokens previstos.
Este artigo propõe um método para descobrir equações diferenciais simbólicas a partir de dados, utilizando invariantes de simetria como entidades atômicas para garantir que as equações recuperadas respeitem as leis físicas conhecidas, melhorando assim a precisão e a eficiência de técnicas existentes como regressão esparsa e programação genética.
O artigo apresenta o UltraEdit, um método de edição de modelos de linguagem que dispensa treinamento, dados de sujeitos e memória, permitindo atualizações de conhecimento em tempo real com alta eficiência e escalabilidade em GPUs de consumo, além de introduzir o UltraEditBench, o maior conjunto de dados do campo com mais de 2 milhões de pares de edição.
Este artigo apresenta uma metodologia sistemática para avaliar modelos de linguagem de grande escala (LLMs) em dispositivos de borda, demonstrando que modelos maiores com quantização pesada superam os menores de alta precisão a partir de um limiar de ~3,5 bits por peso, ao mesmo tempo que oferece diretrizes para otimizar o desempenho sob restrições de recursos.
O artigo apresenta o Saturn, um framework de Aprendizado por Reforço baseado em Problemas de Satisfatibilidade Booleana (SAT) que supera as limitações de escalabilidade, verificabilidade e controle de dificuldade das tarefas existentes, permitindo treinar LLMs com um currículo progressivo que resulta em melhorias significativas tanto na resolução de problemas SAT quanto em tarefas gerais de matemática e programação.
O artigo apresenta o FrontierCO, um benchmark abrangente que avalia solvers de otimização combinatória baseados em aprendizado de máquina em problemas do mundo real e em escala extrema, revelando uma lacuna de desempenho persistente em relação aos métodos clássicos em instâncias grandes e estruturalmente complexas, embora também identifique casos onde os métodos de ML superam os solvers tradicionais.
Este artigo propõe o SemiCP, um novo paradigma de predição conformal semi-supervisionada que utiliza uma pontuação de não-conformidade baseada em correspondência de vizinhos mais próximos (NNM) para aproveitar dados não rotulados na calibração, reduzindo significativamente a instabilidade e o erro de cobertura quando há poucos dados rotulados disponíveis.
Este artigo investiga problemas de exploração pura com um conjunto infinito de respostas possíveis, estabelecendo um limite inferior dependente da instância, explicando por que métodos existentes falham nesse cenário e propondo o novo framework "Sticky-Sequence Track-and-Stop" que alcança otimalidade assintótica.
O artigo apresenta o TSRating, um novo framework unificado que utiliza o julgamento de Grandes Modelos de Linguagem (LLMs) e um esquema de meta-aprendizado para avaliar com precisão e eficiência a qualidade de séries temporais provenientes de diversos domínios, superando as limitações dos métodos existentes.
Este trabalho propõe o CORA, um método de atribuição de crédito em aprendizado por reforço multiagente cooperativo que utiliza a alocação do núcleo da teoria dos jogos cooperativos para estimar vantagens baseadas em coalizões e promover comportamentos coordenados ótimos, superando as limitações das abordagens tradicionais de compartilhamento global de vantagem.