2316 artigos
O artigo apresenta o DT-BEHRT, uma arquitetura de Transformer aprimorada por grafos que utiliza modelagem de trajetórias de doenças e pré-treinamento orientado por ontologia para gerar representações de pacientes interpretáveis e robustas a partir de registros eletrônicos de saúde.
Este artigo estabelece uma teoria unificada de estabilidade para inferência estatística em dados de bandit baseada no Descenso Espelhado Estocástico, demonstrando que algoritmos regularizados como o Regularized-EXP3 garantem simultaneamente intervalos de confiança válidos, ótimo arrependimento e robustez a corrupções.
O artigo apresenta o ARCHE, um framework de compressão de imagens aprendido de ponta a ponta que equilibra precisão de modelagem e eficiência computacional ao unificar priores hierárquicos, espaciais e de canal sem depender de componentes recorrentes ou baseados em transformers, alcançando eficiência taxa-distorção superior a codecs tradicionais e existentes com parâmetros moderados e tempo de execução rápido.
O artigo propõe a Cancelamento Adaptativo de Ativações (AAC), um framework de inferência em tempo real que mitiga alucinações em Grandes Modelos de Linguagem ao identificar e suprimir seletivamente ativações neurais associadas a erros, melhorando a precisão factual sem degradar a capacidade geral do modelo ou exigir ajuste fino.
Este artigo propõe o "Actor-Accelerated PDA", um método que utiliza uma rede de políticas aprendida para aproximar subproblemas de otimização no Policy Dual Averaging, permitindo sua aplicação eficiente em espaços de ação contínua com garantias de convergência e desempenho superior ao PPO em benchmarks de robótica e controle.
O artigo propõe um modelo híbrido de Markov Oculto que combina estados de mercado definidos por quantis de Laplace com um mecanismo de saltos de Poisson para gerar séries temporais financeiras sintéticas que superam modelos existentes ao preservar simultaneamente a fidelidade distributiva, a estrutura temporal e a cobertura de caudas dos dados reais.
O artigo apresenta o Aprendizado de Corte Flexível (FCL), um método que permite ajustar os raios de corte de potenciais interatômicos de aprendizado de máquina após o treinamento, otimizando o equilíbrio entre custo computacional e precisão para aplicações específicas sem a necessidade de retreinar o modelo.
O artigo apresenta o FusionNet, uma rede neural que gera modelos cardíacos 4D com alta resolução temporal a partir de imagens de ressonância magnética de curta duração, superando métodos existentes com um coeficiente Dice superior a 0,897.
O artigo apresenta o SDSR, um método escalável de dividir-e-conquistar baseado em teoria espectral de grafos para reconstrução de árvores filogenéticas, que oferece ganhos significativos de velocidade sem comprometer a precisão ao lidar com grandes conjuntos de dados e discordância genética.
Este artigo analisa uma aproximação por difusão em tempo contínuo do gradiente de política para bandits estocásticos, provando que um aprendizado com taxa resulta em arrependimento logarítmico, enquanto demonstra que taxas maiores levam a arrependimento linear em certos cenários.
Este artigo propõe uma reavaliação da perda harmônica ao investigar sistematicamente diversas métricas de distância não euclidianas em modelos de visão e linguagem, demonstrando que a distância cosseno oferece o melhor equilíbrio entre desempenho, interpretabilidade e sustentabilidade, reduzindo emissões de carbono e melhorando a estabilidade do aprendizado em comparação com a perda de entropia cruzada tradicional.
Este artigo propõe um método de programação quadrática sequencial estocástica com região de confiança e pontos interiores (TR-IP-SSQP) para resolver problemas de otimização com função objetivo estocástica e restrições não lineares determinísticas, estabelecendo sua convergência quase certa e validando seu desempenho prático em testes numéricos.
O artigo propõe o framework I2X, que transforma mapas de saliência não estruturados em explicações estruturadas sobre o processo de decisão de modelos de classificação de imagens durante o treinamento, permitindo não apenas entender "por que" o modelo foca em certas regiões, mas também melhorar a precisão das previsões através da identificação e perturbação direcionada de protótipos incertos.
O artigo propõe o One-A, um framework unificado e consciente de desequilíbrio para aprendizado incremental de classes, que utiliza alinhamento de subespaço assimétrico e mecanismos de gate direcional para fundir atualizações de tarefas de tamanhos variados em um único adaptador, garantindo estabilidade e eficiência sem aumentar o custo de inferência.
Este trabalho demonstra que um algoritmo neuromórfico nativamente baseado em pulsos para resolver equações diferenciais parciais possui tolerância intrínseca a falhas estruturais, mantendo sua precisão mesmo com a perda de até 32% dos neurônios e 90% dos pulsos, além de apresentar robustez ajustável através de hiperparâmetros estruturais.
O artigo apresenta o SiMPO, uma estrutura unificada para aprendizado por reforço com políticas de difusão que generaliza esquemas de reponderação através de uma abordagem de correspondência de medidas com sinal, permitindo o uso de funções de ponderação negativas para repelir ações subótimas e melhorar o desempenho.
Este artigo demonstra que, quando a prior condicional em modelos hierárquicos bayesianos é uma distribuição canônica de máxima entropia, a prior marginal resultante também possui uma propriedade de máxima entropia, porém sujeita a uma restrição diferente sobre a distribuição marginal de uma função das quantidades desconhecidas, esclarecendo assim a informação assumida nesses modelos.
Este artigo propõe e avalia duas estratégias que integram estruturas causais (DAGs e CPDAGs) ao modelo TabPFN para corrigir a geração de dados sintéticos baseada em ordem arbitrária, demonstrando que essa abordagem melhora a fidelidade estrutural, a preservação de efeitos causais e a estabilidade dos dados sintéticos gerados.
Os autores descobrem e extraem do modelo de base scGPT um algoritmo compacto e performático para a hematopoiese, utilizando um método de três etapas baseado em interpretabilidade mecânica que supera abordagens padrão em precisão e eficiência computacional.
O artigo apresenta o DICE-RL, uma estrutura de aprendizado por reforço que refina políticas generativas pré-treinadas em robótica, transformando comportamentos iniciais em habilidades especializadas de alta performance através de um mecanismo de contração de distribuição que amplifica ações de sucesso com alta estabilidade e eficiência de amostragem.