7103 artigos
Este artigo apresenta um novo quadro robusto que utiliza a amplitude da resposta do canal para recuperar características ideais a partir de distorções causadas pela dessincronização de relógios em sensores sem fio bistáticos, permitindo medições de deslocamento com precisão na escala subcomprimento de onda e melhorando a acurácia em quase uma ordem de grandeza.
Este artigo propõe um framework aprimorado de Projeções Locais em Subespaço Aleatório (RSLP) que, ao integrar agregação ponderada, amostragem consciente de categorias e seleção adaptativa de tamanho, oferece estimativas robustas de respostas ao impulso e inferência confiável para séries temporais de alta dimensão, reduzindo significativamente a variabilidade do estimador e produzindo intervalos de confiança mais precisos em cenários com centenas de preditores correlacionados.
O artigo apresenta o BoT, um framework unificado e agnóstico a tamanhos que utiliza a Transformada Wavelet Discreta para tratar pesos de modelos como sinais contínuos, permitindo transferência bidirecional de conhecimento (de modelos pequenos para grandes e vice-versa) com economia significativa de FLOPs e desempenho de ponta.
O artigo apresenta o OCLADS, um novo framework de comunicação que utiliza aprendizado contínuo para detectar anomalias em dispositivos IoT sob mudanças de distribuição de dados, combinando seleção inteligente de amostras no dispositivo e detecção de desvio de distribuição no servidor de borda para atualizar modelos com alta precisão e menor frequência.
Este artigo estabelece uma relação unificada entre modelos de derivação (drifting) e modelos baseados em pontuação (score-based), demonstrando que a derivação com kernel Gaussiano equivale a uma formulação de correspondência de pontuação em distribuições suavizadas e fornecendo limites de erro rigorosos para kernels Laplace.
Este estudo apresenta um quadro de agendamento de limpeza autônomo para sistemas de energia solar em regiões áridas, baseado em aprendizado por reforço, que otimiza os intervalos de manutenção considerando condições ambientais incertas e demonstrou economizar até 13% nos custos em um caso de estudo em Abu Dhabi, superando métodos tradicionais.
Este artigo propõe um novo framework de predição conformal que preserva a privacidade e utiliza todos os dados disponíveis, evitando a divisão do conjunto de amostras e garantindo uma cobertura mais precisa e conjuntos de previsão mais nítidos do que as abordagens privadas existentes.
O artigo apresenta o FRONT, um novo framework que utiliza a Transformada Discreta de Cosseno para isolar e transferir o "learngene" (conhecimento fundamental) de modelos pré-treinados para modelos de escalas arbitrárias no domínio da frequência, permitindo inicialização sem treinamento e refinamento opcional que resulta em aceleração de convergência e redução significativa de custos computacionais.
Este artigo propõe um novo quadro pré-treinado informado pela dinâmica neural que supera os métodos dominantes ao gerar redes funcionais cerebrais personalizadas e generalizáveis em cenários heterogêneos, superando as limitações das atlas pré-definidos e das suposições lineares.
Este artigo propõe um modelo substituto baseado em dados, que combina autoencoders convolucionais com equações diferenciais ordinárias neurais, para gerar previsões espaciotemporais rápidas e de baixo custo da ignição de foguetes induzida por laser, permitindo a exploração eficiente do espaço de parâmetros e o desenvolvimento de gêmeos digitais em tempo real.
O artigo apresenta o Obliviator, um método de pós-processamento que elimina conceitos indesejados em representações aprendidas protegendo-as contra adversários não lineares e revelando, por meio de uma abordagem iterativa, a dinâmica e o custo do compromisso entre utilidade e apagamento.
O artigo DreamSAC apresenta um framework que supera a limitação de generalização extrapolação de modelos de mundo aprendidos ao combinar uma estratégia de exploração por simetria, motivada intrinsecamente por um bônus de curiosidade baseado em Hamiltoniano, com um modelo de mundo que utiliza aprendizado contrastivo para identificar leis de conservação a partir de observações brutas, resultando em desempenho superior em simulações físicas 3D.
O artigo apresenta o COOL-MC, uma ferramenta que utiliza verificação probabilística e métodos explicativos para analisar e garantir a segurança de políticas de aprendizado por reforço aplicadas à manutenção de redes de múltiplas pontes, identificando violações de segurança e vieses sistêmicos no comportamento aprendido.
Este artigo demonstra que uma abordagem centrada nos dados, utilizando pré-processamento cuidadoso, balanceamento de classes e uma arquitetura simplificada de CNN-VAE, alcança desempenho competitivo na classificação de ECG no conjunto de dados PTB-XL com significativamente menos complexidade de modelo.
O artigo propõe a GRD-Net, uma nova arquitetura que combina uma Rede Adversarial Generativa baseada em autoencoder residual com um módulo de atenção para regiões de interesse, visando detectar e localizar anomalias em produtos industriais de forma mais precisa e generalizável, eliminando a dependência de algoritmos de pós-processamento tradicionais.
Este artigo reavalia o ataque de inferência de associação LiRA sob condições realistas, demonstrando que técnicas de treinamento como anti-sobreajuste e aprendizado por transferência, juntamente com protocolos de avaliação mais rigorosos, reduzem significativamente a eficácia do ataque em comparação com estimativas anteriores.
Este artigo propõe um novo solver neural generativo que funde um modelo de difusão de grafos com ruído discreto para aprender restrições de problemas de roteamento de veículos e gerar uma matriz de atribuição adaptativa, superando as limitações de robustez dos métodos existentes e alcançando desempenho state-of-the-art em benchmarks diversificados.
Este artigo apresenta uma comparação sistemática de quatro objetivos de treinamento (Perda de Entropia Cruzada, Perda de Protótipos, Perda de Tripletos e Perda de Precisão Média) para detecção de dados fora de distribuição, concluindo que a Perda de Entropia Cruzada oferece o desempenho mais consistente em cenários de distribuição próxima e distante, mantendo precisão competitiva em dados dentro da distribuição.
O artigo propõe o TS-MLLM, um framework unificado baseado em modelos de linguagem grandes multimodais que integra sinais temporais, representações visuais de domínio de frequência e conhecimento textual para superar as limitações de métodos existentes e melhorar significativamente a análise e previsão de dados de séries temporais industriais, especialmente em cenários complexos e com poucos dados.
Este artigo apresenta um framework semi-supervisionado de detecção de anomalias baseado em uma arquitetura generativa adversarial com autoencoder residual, projetado para inspeção visual online em alta velocidade na produção farmacêutica, demonstrando alta precisão e localização espacial dentro das restrições de tempo de ciclo de uma linha Blow-Fill-Seal.