7102 artigos
Este artigo apresenta um método inovador para otimização de trajetória robusta e livre de distribuições em sistemas estocásticos não lineares e não gaussianos, utilizando inferência conformal para garantir o cumprimento de restrições de chance com garantias estatísticas fechadas, permitindo a aplicação segura de planejadores baseados em aprendizado em cenários críticos.
Este artigo apresenta um método de "engressão" espaço-temporal profunda generativa que quantifica incertezas de forma endógena para gerar previsões probabilísticas precisas e confiáveis de epidemias, superando benchmarks existentes em diversos conjuntos de dados e oferecendo explicabilidade para apoiar intervenções de saúde pública.
O artigo propõe o DualAdam, um otimizador que combina os mecanismos de atualização do Adam e de seu inverso (InvAdam) para garantir convergência e melhorar a generalização ao favorecer mínimos planos, validado por teoria de difusão e extensos experimentos em classificação de imagens e ajuste fino de modelos de linguagem.
Este artigo apresenta um framework de aprendizado por reforço offline que utiliza planejamento agênico com raciocínio passo a passo e uma biblioteca de ferramentas de edição composicional para superar as limitações do prompt direto na estilização de imagens complexas, demonstrando melhorias significativas na qualidade visual e no seguimento de instruções.
O artigo apresenta uma análise teórica e um método prático que melhoram o desempenho dos transformers ao alterar sistematicamente as propriedades espectrais das camadas de atenção para reduzir o número de condição do Jacobiano, resultando em ganhos consistentes de desempenho em diversas arquiteturas e tarefas.
Este artigo apresenta o MSKernelBench, um benchmark abrangente para múltiplos cenários de kernels CUDA, e o CUDAMaster, um sistema multiagente orientado por hardware que supera métodos existentes e rivaliza com bibliotecas proprietárias na otimização automática de kernels para diversas aplicações científicas e de aprendizado de máquina.
Este artigo propõe o método SPCP, que melhora a detecção de dados fora de distribuição ao modificar o treinamento de classificadores para depender de padrões de contribuição de parâmetros mais densos e orientados a fronteiras, mitigando assim a superconfiança causada pela dependência excessiva de poucos parâmetros dominantes.
Este artigo apresenta um modelo substituto baseado em uma rede neural de grafos espaço-temporal dual que, ao acoplar dinâmicas em nível de nós e elementos, prevê com eficiência e baixo custo computacional as respostas não lineares de vigas de concreto armado sob flexão, superando as limitações de perda de picos em representações baseadas apenas em nós.
O artigo propõe o wDPO, uma abordagem robusta de alinhamento de LLMs que utiliza uma estratégia hierárquica de winsorização para identificar e tratar distintos tipos de ruído em dados de preferência, melhorando significativamente a qualidade e a robustez do alinhamento em comparação com métodos existentes.
Este estudo apresenta um sistema automatizado de segmentação e classificação de sons intestinais, utilizando sensores acústicos vestíveis e modelos de aprendizado profundo, que oferece uma avaliação objetiva e quantitativa da atividade gastrointestinal, reduzindo significativamente o tempo de anotação manual e apoiando o diagnóstico clínico.
Este artigo demonstra que a aprendibilidade baseada em margens em espaços métricos arbitrários depende fundamentalmente da desigualdade triangular quando as margens são suficientemente grandes, estabelecendo um limiar universal para a aprendibilidade e provando que tal fenômeno não pode ser sempre reduzido a classificações lineares em espaços de Banach, onde a complexidade de amostragem escala polinomialmente com o inverso da margem.
Este artigo apresenta o estudo ODA-Fin, que demonstra que a qualidade e o perfil de dificuldade dos dados de pós-treinamento são determinantes para o desempenho de LLMs em finanças, resultando em modelos e conjuntos de dados superiores aos atuais de código aberto.
O artigo apresenta o LightMedSeg, uma arquitetura de segmentação médica 3D leve e eficiente que, ao integrar priores anatômicos e mecanismos de roteamento adaptativo, alcança alta precisão com apenas 0,48M de parâmetros, superando as limitações de modelos baseados em Transformer em cenários com restrições de memória e dados.
Este artigo propõe e valida um método aprimorado de regressão de postos condicionais (CRRR) utilizando modelos de transformação condicional profunda (DCTM) para estimar a mobilidade intergeracional com maior precisão em cenários não lineares e com resultados discretos, aplicando-o com sucesso a estudos sobre persistência de renda nos EUA e mobilidade educacional na Índia.
O artigo apresenta o PT-RAG, um novo framework de Geração Aumentada por Recuperação (RAG) que utiliza recuperação diferenciada e consciente do tipo celular para superar as limitações de generalização dos métodos atuais na previsão de respostas celulares a perturbações genéticas.
O artigo apresenta o WeDas, um novo framework que melhora a precisão dos agentes de pesquisa profunda ao alinhar suas consultas com a estrutura de distribuição de conteúdo da web, utilizando um mecanismo de sondagem para estimar a compatibilidade entre a intenção do agente e os resultados de busca.
Este estudo apresenta o framework LF2L, uma abordagem de aprendizado federado horizontal que integra dados locais de sobreviventes de câncer de pulmão com dados externos do programa SEER dos EUA através de uma fusão de perdas, superando desafios de privacidade e inconsistência de características para melhorar significativamente a previsão de cânceres secundários primários.
Este artigo propõe e avalia dois métodos de aprendizado simbólico, o SyNF e o SyTF, que geram equações algébricas interpretáveis para prever séries temporais caóticas com precisão competitiva e transparência científica, superando as limitações de "caixa preta" dos modelos de deep learning.
Este artigo propõe uma estrutura adaptativa de agendamento duplo para clínicas ambulatoriais que integra previsão individualizada de faltas com aprendizado por reforço multi-objetivo, otimizando dinamicamente as decisões de agendamento para mitigar o impacto das faltas de pacientes enquanto equilibra congestionamento e tempos de espera.
O artigo apresenta as Variational Flow Maps (VFMs), um novo framework que permite a geração condicional de imagens de alta qualidade em um único passo ao aprender uma distribuição de ruído adaptada via um modelo de adaptador, superando as limitações de trajetórias iterativas dos modelos de difusão tradicionais para resolver problemas inversos e condicionais com maior eficiência.