🤖 Category

cs.LG

6866 artigos

Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection

O artigo propõe o "Latent Sculpting", uma arquitetura de aprendizado de representação em duas etapas que utiliza uma perda de escultura latente binária e um fluxo autoregressivo mascarado para estruturar explicitamente o manifold de dados, permitindo a detecção robusta de anomalias fora da distribuição em tráfego de rede, alcançando alto desempenho na identificação de ataques zero-day como Infiltração e DoS no benchmark CIC-IDS-2017.

Rajeeb Thapa Chhetri, Saurab Thapa, Avinash Kumar, Zhixiong Chen2026-03-10🤖 cs.LG

Certifying the Right to Be Forgotten: Primal-Dual Optimization for Sample and Label Unlearning in Vertical Federated Learning

O artigo propõe o FedORA, um algoritmo de otimização primal-dual que certifica o direito ao esquecimento em Aprendizado Federado Vertical, permitindo a remoção eficiente de amostras ou rótulos específicos com garantias teóricas e menor custo computacional em comparação ao retreinamento completo.

Yu Jiang, Xindi Tong, Ziyao Liu, Xiaoxi Zhang, Kwok-Yan Lam, Chee Wei Tan2026-03-10🤖 cs.LG

Topological Spatial Graph Coarsening

Este trabalho propõe uma abordagem de coarsening para grafos espaciais que reduz o número de nós preservando as características topológicas essenciais através do colapso de arestas curtas, utilizando uma nova filtração "triangle-aware" para gerar diagramas de persistência adaptados, resultando em um método sem parâmetros, equivariante a transformações geométricas e eficaz na redução de tamanho dos grafos.

Anna Calissano, Etienne Lasalle2026-03-10🤖 cs.LG

Sparse Offline Reinforcement Learning with Corruption Robustness

Este artigo propõe métodos de aprendizado por reforço offline com base em ator-crítico e oráculos de estimativa robusta esparsa que fornecem as primeiras garantias não-vazias para a obtenção de políticas quase ótimas em MDPs esparsos de alta dimensão sob cobertura de concentrabilidade de política única e forte contaminação de dados, superando as limitações de abordagens tradicionais como a Iteração de Valor por Mínimos Quadrados (LSVI) nesse cenário.

Nam Phuong Tran, Andi Nika, Goran Radanovic, Long Tran-Thanh, Debmalya Mandal2026-03-10🤖 cs.LG

Reliable Grid Forecasting: State Space Models for Safety-Critical Energy Systems

Este artigo propõe um novo quadro de avaliação focado na segurança operacional para previsão de carga elétrica, demonstrando que métricas tradicionais como MAPE são insuficientes para capturar riscos de subprevisão e que, embora a integração explícita de dados meteorológicos e modelos de espaço de estado reduzam a incerteza, a calibração probabilística exige restrições de viés para evitar a "segurança falsa" gerada por superprevisões excessivas.

Sunki Hong, Jisoo Lee2026-03-10⚡ eess

From Mice to Trains: Amortized Bayesian Inference on Graph Data

Este artigo propõe e avalia uma abordagem de Inferência Bayesiana Amortizada (ABI) adaptada para dados em grafos, combinando codificadores invariantes a permutações com estimadores neurais de posterior para realizar inferência rápida e sem verossimilhança sobre parâmetros em níveis de nós, arestas e grafos, demonstrando eficácia em cenários sintéticos e em domínios reais de biologia e logística.

Svenja Jedhoff, Elizaveta Semenova, Aura Raulo, Anne Meyer, Paul-Christian Bürkner2026-03-10🤖 cs.LG

DevBench: A Realistic, Developer-Informed Benchmark for Code Generation Models

O artigo apresenta o DevBench, um benchmark baseado em dados reais de desenvolvedores que avalia modelos de linguagem em tarefas de geração de código com alta validade ecológica, oferecendo diagnósticos detalhados sobre precisão sintática, raciocínio semântico e utilidade prática para orientar a seleção e o aprimoramento de modelos.

Pareesa Ameneh Golnari, Adarsh Kumarappan, Wen Wen, Xiaoyu Liu, Gabriel Ryan, Yuting Sun, Shengyu Fu, Elsie Nallipogu2026-03-10🤖 cs.LG

ELSA: Efficient LLM-Centric Split Aggregation for Privacy-Aware Hierarchical Federated Learning over the Network Edge

O artigo apresenta o ELSA, um framework inovador que integra aprendizado dividido e aprendizado federado hierárquico para otimizar o ajuste fino de grandes modelos de linguagem na borda da rede, superando desafios de recursos limitados, heterogeneidade de dados e riscos de privacidade por meio de agrupamento de clientes inteligente, divisão dinâmica do modelo e esquemas de comunicação eficientes e seguros.

Xiaohong Yang, Tong Xie, Minghui Liwang, Chikai Shang, Yang Lu, Zhenzhen Jiao, Liqun Fu, Seyyedali Hosseinalipour2026-03-10🤖 cs.LG

MeanCache: From Instantaneous to Average Velocity for Accelerating Flow Matching Inference

O artigo apresenta o MeanCache, um framework de cache sem treinamento que acelera a inferência de Flow Matching ao substituir a velocidade instantânea por uma perspectiva de velocidade média baseada em produtos vetoriais de Jacobiano, alcançando acelerações de até 4,56x em modelos como FLUX.1 e HunyuanVideo sem comprometer a qualidade da geração.

Huanlin Gao, Ping Chen, Fuyuan Shi, Ruijia Wu, Li YanTao, Qiang Hui, Yuren You, Ting Lu, Chao Tan, Shaoan Zhao, Zhaoxiang Liu, Fang Zhao, Kai Wang, Shiguo Lian2026-03-10🤖 cs.LG

Model-Free Neural State Estimation in Nonlinear Dynamical Systems: Comparing Neural and Classical Filters

Este trabalho apresenta uma comparação empírica sistemática entre estimadores de estado baseados em redes neurais sem modelo e filtros clássicos em sistemas dinâmicos não lineares, demonstrando que arquiteturas como modelos de espaço de estado (SSMs) alcançam desempenho comparável a filtros de Kalman não lineares fortes e superam bases clássicas mais fracas, além de oferecerem uma taxa de inferência significativamente superior.

Zhuochen Liu, Hans Walker, Rahul Jain2026-03-10🤖 cs.LG

TimeSliver : Symbolic-Linear Decomposition for Explainable Time Series Classification

O artigo apresenta o TimeSliver, um novo framework de aprendizado profundo que combina dados de séries temporais brutos com sua abstração simbólica para gerar pontuações de importância temporal explicáveis e fiéis, superando métodos existentes de atribuição e mantendo desempenho preditivo competitivo em diversos conjuntos de dados.

Akash Pandey, Payal Mohapatra, Wei Chen, Qi Zhu, Sinan Keten2026-03-10🤖 cs.LG

Transferable Graph Condensation from the Causal Perspective

O artigo propõe o TGCC, um método inovador de condensação de gráficos baseado em invariância causal que extrai características causais invariantes ao domínio e utiliza aprendizado contrastivo para gerar conjuntos de dados condensados com desempenho superior em cenários de transferência entre tarefas e domínios.

Huaming Du, Yijie Huang, Su Yao, Yiying Wang, Yueyang Zhou, Jingwen Yang, Jinshi Zhang, Han Ji, Yu Zhao, Guisong Liu, Hegui Zhang, Carl Yang, Gang Kou2026-03-10🤖 cs.LG

Bitcoin Price Prediction using Machine Learning and Combinatorial Fusion Analysis

Este artigo propõe a aplicação da Análise de Fusão Combinatória (CFA) para prever o preço do Bitcoin, demonstrando que a combinação de diversos modelos de aprendizado de máquina por meio de funções de características de pontuação e classificação supera significativamente os modelos individuais e outros métodos existentes, alcançando um erro médio percentual (MAPE) de 0,19%.

Yuanhong Wu, Wei Ye, Jingyan Xu, D. Frank Hsu2026-03-10🤖 cs.LG