6951 artigos
Este artigo apresenta um protocolo de extração de características de grafos causal e seguro contra vazamento de dados para detecção de fraudes em redes de transações temporais, demonstrando que, embora os atributos das transações sejam predominantes, os indicadores estruturais do grafo fornecem uma interpretabilidade valiosa e melhoram a análise de risco em pipelines de detecção de fraudes.
O artigo propõe um novo princípio de incerteza na aprendizagem de máquina, análogo ao da análise de Fourier, que descreve como a degenerescência fatal das expansões de Heaviside e sigmoides cria vales suaves que impedem a convergência para mínimos profundos, revelando que muitos desafios científicos nessa área são fundamentalmente problemas de física e não de ciência da computação.
O estudo demonstra que a capacidade de modelos de linguagem pequenos inferirem propriedades de grafos depende criticamente da organização da representação dos dados e da estratégia de raciocínio, sendo que representações que preservam a estrutura de vizinhança e o raciocínio multi-ramo melhoram significativamente a estabilidade e a consistência das previsões.
O artigo apresenta o SmartBench, o primeiro conjunto de dados e benchmark projetado para avaliar a capacidade de modelos de linguagem grandes (LLMs) de detectar e responder a estados anômalos em ambientes domésticos inteligentes, revelando que os modelos atuais ainda possuem desempenho insuficiente para essa tarefa crítica.
O artigo apresenta o HEARTS, um benchmark unificado que avalia a capacidade de raciocínio hierárquico de modelos de linguagem grandes (LLMs) em séries temporais de saúde, revelando que eles ainda superam significativamente os modelos especializados e dependem excessivamente de heurísticas simples, indicando que o aumento de escala por si só é insuficiente para lidar com a complexidade temporal real.
O artigo apresenta o RECAP, uma estratégia de aprendizado bioinspirada que combina dinâmicas de reservatório não treinadas com um mecanismo de leitura de protótipos auto-organizado baseado em Hebbian, permitindo classificação robusta de imagens sem o uso de retropropagação de erro.
Este artigo revela que a técnica de "unlearning" baseada em poda em modelos de difusão é vulnerável a um ataque de revivescência de conceitos, onde a simples localização dos pesos removidos atua como um canal lateral que permite recuperar informações apagadas sem necessidade de dados ou retreinamento, exigindo assim o desenvolvimento de mecanismos de poda mais seguros que ocultem essas localizações.
O artigo apresenta o SR-TTT, uma abordagem que resolve as falhas de recuperação de modelos de linguagem com Treinamento em Tempo de Teste (TTT) ao integrar um mecanismo de memória residual esparsa e controlada por perda, que roteia dinamicamente apenas tokens altamente surpreendentes para um cache de atenção exata, preservando assim a eficiência de memória O(1) para o contexto geral enquanto garante a retenção precisa de informações críticas.
Este artigo de revisão define o aprendizado profundo quântico (QDL), apresenta uma taxonomia de quatro paradigmas, analisa seus fundamentos teóricos e implementações experimentais em diversas plataformas de hardware, avalia criticamente as alegações de vantagem quântica e traça um roteiro para sua evolução rumo a implementações escaláveis e tolerantes a falhas.
Este artigo apresenta um framework de aprendizado federado consciente de confiança que utiliza pontuação adaptativa e filtragem para garantir a segurança e a precisão na interpretação de estágios de cicatrização óssea em ambientes de saúde eletrônica, mitigando os efeitos de participantes não confiáveis ou adversários.
O artigo apresenta o HURRI-GAN, uma abordagem inovadora baseada em Redes Adversariais Generativas (GANs) que corrige vieses sistemáticos do modelo de simulação física ADCIRC para prever com precisão impactos de furacões em regiões costeiras além das estações de medição, permitindo previsões mais rápidas e eficientes sem perda de acurácia.
O artigo propõe o Descenso de Gradiente Geodésico (GGD), um otimizador genérico e sem taxa de aprendizado que utiliza esferas n-dimensionais para aproximar a geometria local da função objetivo, garantindo que as trajetórias de atualização permaneçam na hipersuperfície e demonstrando reduções significativas no erro em comparação ao algoritmo Adam em conjuntos de dados como Burgers' e MNIST.
Este estudo avalia como diferentes técnicas de construção de grafos impactam a detecção de botnets IoT usando Redes Neurais de Atenção em Grafos (GAT) e Autoencoders Variacionais (VAE) no conjunto de dados N-BaIoT, demonstrando que a abordagem baseada em Grafos de Gabriel atinge a melhor precisão de 97,56%, superando significativamente outros métodos como o Vizinho Mais Próximo Compartilhado.
Este artigo apresenta o PAG (Projection-Augmented Graph), um novo framework de busca aproximada de vizinhos mais próximos que integra técnicas de projeção a índices gráficos para atender a seis demandas críticas de aplicações de IA moderna, oferecendo desempenho de consulta significativamente superior ao HNSW, indexação rápida, baixo uso de memória e robustez em alta dimensionalidade.
O artigo apresenta o EnsAug, uma nova abordagem que supera os métodos tradicionais de aumento de dados ao treinar um conjunto de modelos especialistas, cada um focado em uma transformação geométrica distinta, resultando em maior precisão e eficiência na análise de sequências de movimento humano.
O artigo apresenta o HyperTokens, um gerador de tokens baseado em transformadores que controla dinamicamente a atualização de prompts em modelos de linguagem multimodal para compreensão contínua de vídeo, utilizando regularizadores inspirados em meta-aprendizado e supervisão auxiliar multimodal para reduzir o esquecimento e melhorar a retenção de tarefas.
Este artigo apresenta o ERP-RiskBench, um novo framework experimental e reprodutível para detecção de riscos financeiros em sistemas ERP, que utiliza um ensemble de aprendizado de máquina com protocolos rigorosos de prevenção de vazamento de dados para superar as limitações de estudos anteriores e fornecer um modelo robusto e interpretável para auditoria e governança.
Este artigo propõe um autoencoder CNN não supervisionado com uma função de perda de distância angular espectral ponderada (WSAD) para realizar a separação cega de imagens hiperespectrais de micro-FTIR em seções transversais de pinturas a óleo históricas, permitindo uma análise automatizada e mais interpretável dos materiais constituintes, como demonstrado no caso do Políptico de São Bavo.
Este artigo demonstra que o uso de Redes Neurais em Grafos (GNNs) para estimar o momento de múons no experimento CMS supera modelos tradicionais como o TabNet, destacando a importância da dimensão das características dos nós para a eficiência do modelo.
Este trabalho apresenta um modelo híbrido de classificação baseado em aprendizado de poucos exemplos e inteligência artificial explicável (XAI) que integra redes Siamesas e Prototípicas com Grad-CAM para diagnosticar com alta precisão e transparência doenças em folhas de milho, arroz e trigo, mesmo com dados anotados limitados.