7016 artigos
O artigo apresenta o DIRECTER, um novo método de direcionamento de ativação que utiliza um loop de decodificação guiado por plausibilidade e uma análise de sensibilidade leve para modular dinamicamente a força do direcionamento, melhorando significativamente a capacidade de seguir instruções de modelos de linguagem sem comprometer a qualidade do texto ou a fidelidade da tarefa.
O artigo apresenta o ProtAlign, um framework de alinhamento de preferências multi-objetivo que ajusta modelos de inversão de dobramento de proteínas pré-treinados para otimizar simultaneamente diversas propriedades de desenvolvimento, como solubilidade e estabilidade, sem comprometer a fidelidade estrutural.
Este artigo propõe o LAE-EnKF, um filtro de Kalman baseado em autoencoders latentes que reformula a assimilação de dados em um espaço latente com dinâmicas lineares e estáveis, superando as limitações de não linearidade do filtro de Kalman tradicional e demonstrando maior precisão e estabilidade em sistemas caóticos.
Este artigo propõe e valida autoencoders e autoencoders variacionais híbridos quântico-clássicos baseados em Representação Neural Implícita Quântica (QINR), demonstrando que essa arquitetura supera modelos como QGANs na geração e reconstrução de imagens ao produzir detalhes nítidos e maior diversidade com poucos parâmetros e dados.
O artigo propõe o método ICD3, uma abordagem de detecção de mudança de conceito baseada em descritores de cluster imparciais que identifica e monitora individualmente conceitos minoritários em dados desbalanceados, superando o efeito de mascaramento causado por grandes clusters e oferecendo alta interpretabilidade.
Este artigo propõe e valida um quadro de explicabilidade multi-nível que demonstra a robustez e a consistência das explicações SHAP em modelos de machine learning para diagnóstico e prognóstico da Doença de Alzheimer, utilizando dados do NACC para confirmar que marcadores cognitivos e funcionais dominam as previsões com estabilidade entre diferentes estágios da doença e tarefas clínicas.
Este artigo propõe um método de colocalização adaptativa e diversificada para Redes Neurais Informadas por Física (PINNs), formulando a seleção de pontos como um problema de otimização QUBO/BQM esparsa com âncoras híbridas para construir um conjunto de núcleo (coreset) que equilibra a importância do resíduo e a diversidade espacial-temporal, resultando em maior precisão e eficiência computacional na solução da equação de Burgers viscosa.
Este estudo desenvolve um framework de aprendizado de máquina para prever o fluxo em regime permanente em meios porosos, demonstrando que o Operador de Rede de Fourier (FNO) supera os modelos AE e U-Net ao oferecer previsões precisas e até 1000 vezes mais rápidas que a CFD tradicional, sendo ideal para otimização topológica de placas frias.
Este artigo propõe uma arquitetura que combina redes neurais de grafos convolucionais com metaaprendizado para permitir que modelos de atribuição de tráfego se adaptem rapidamente a redes viárias alteradas e padrões de demanda inéditos, superando as limitações de desempenho em cenários de interrupções extremas.
Este artigo investiga a aplicação da aprendizagem simbólica para a deteção de falhas no processo de oxidação de etileno, demonstrando que este método supera abordagens baseadas em redes neurais em precisão e interpretabilidade, superando a escassez de dados reais através da simulação e propondo a integração desses modelos em agentes de apoio à decisão para operadores de plantas químicas.
Este artigo demonstra que as representações de redes neurais possuem uma liberdade de gauge sob transformações lineares invertíveis, o que torna métricas comuns como a similaridade de cosseno dependentes da escolha de coordenadas e instáveis, sugerindo que a análise deve focar em quantidades invariantes ou em coordenadas canônicas.
O artigo propõe o HGT-Scheduler, um framework de aprendizado por reforço que utiliza Transformers de Grafos Heterogêneos para modelar o Problema de Programação de Oficinas (JSSP) preservando a semântica distinta das arestas de precedência e contenção, demonstrando superioridade estatística sobre abordagens homogêneas em instâncias de benchmark como o FT06.
O artigo apresenta o SpatialMAGIC, um modelo híbrido inovador que integra difusão em grafos e atenção espacial para imputar dados de transcriptômica espacial, superando métodos existentes na redução de ruído e esparsidade enquanto preserva a arquitetura tecidual e melhora a interpretação biológica.
O artigo apresenta o *xaitimesynth*, um pacote Python de código aberto que fornece infraestrutura reutilizável para avaliar métodos de atribuição em séries temporais, gerando dados sintéticos com verdade fundamental conhecida e métricas padronizadas de localização.
Este artigo propõe um modelo de difusão informado por física baseado na arquitetura Context-UNet para gerar dados sintéticos de eventos climáticos extremos e raros, superando a escassez de amostras e o desequilíbrio de classes que limitam o desenvolvimento de modelos de aprendizado de máquina robustos para a detecção de ciclones tropicais.
O artigo apresenta a Regularização de Política Otimista (OPR), um mecanismo leve que preserva trajetórias historicamente bem-sucedidas para evitar a convergência prematura em aprendizado por reforço profundo, demonstrando ganhos significativos em eficiência de amostras e desempenho final em ambientes como Atari e CAGE Challenge 2.
O artigo apresenta o Best-of-Tails (BoT), um novo framework de alinhamento em tempo de inferência que utiliza a estimativa da cauda da distribuição de recompensas para adaptar dinamicamente a estratégia de seleção entre otimismo e pessimismo, superando as limitações de métodos fixos ao equilibrar a exploração de respostas de alta qualidade com a mitigação de erros de recompensa.
O NEST é um framework de placemento de dispositivos para aprendizado profundo distribuído que unifica o paralelismo de modelo, a modelagem de topologia de rede e a viabilidade de memória através de programação dinâmica estruturada, resultando em melhorias significativas de throughput e eficiência em comparação com métodos anteriores.
Este artigo apresenta o primeiro quadro formal e algoritmos com garantias teóricas para aprendizado por reforço multiagente cooperativo com recompensas submodulares, superando a maldição da dimensionalidade e oferecendo limites de aproximação e regret para cenários de dinâmica conhecida e desconhecida.
O artigo apresenta o CREDO, um método que combina envelopes credais interpretáveis com conformalização para gerar intervalos de previsão em regressão que garantem cobertura marginal sem distribuição, ao mesmo tempo que explicitam a incerteza epistêmica e melhoram a adaptabilidade à esparsidade dos dados.