7103 artigos
Este artigo apresenta um framework de geração procedural de dados de som de motor com anotações de controle precisas, baseado na extração de estruturas harmônicas de gravações reais, resultando no Procedural Engine Sounds Dataset, um conjunto de dados público validado para apoiar pesquisas em modelagem acústica e síntese baseada em aprendizado.
Este artigo apresenta o StructAttack, um framework de jailbreak que explora a vulnerabilidade de preenchimento de slots semânticos em Modelos Visuais-Linguísticos (LVLMs), utilizando prompts visuais estruturados e slots aparentemente benignos para recompor e gerar respostas maliciosas sem acionar mecanismos de segurança.
O artigo propõe o método DSS-GRPO, que utiliza aprendizado por reforço segmentado e escalado por dificuldade para comprimir as cadeias de raciocínio (CoT) de forma adaptativa, garantindo que o encurtamento do processo de pensamento não degrade a qualidade da resposta final.
O artigo apresenta o MetaSort, um novo algoritmo que integra compressão adaptativa de alta fidelidade e classificação de poucos exemplos de formas de onda de picos neurais por meio de aprendizado de transferência meta, demonstrando alto desempenho em dados in-vivo e potencial para implementação em chip de ultra baixo consumo.
O artigo apresenta o TT-Sparse, um modelo de aprendizado de máquina interpretável que utiliza tabelas-verdade diferenciáveis e um novo operador TopK suave para aprender regras esparsas de alto desempenho, permitindo a extração exata de fórmulas booleanas compactas e superando métodos existentes em precisão e simplicidade.
O artigo apresenta o MAS-H2, um sistema hierárquico de agentes multiagentes que resolve o problema do "vazio estratégico" no autoscaling nativo de nuvem ao decompor a gestão de recursos em camadas estratégicas, de planejamento e execução, demonstrando em testes no Kubernetes superioridade em redução de estresse de CPU, mitigação de picos de carga e migração sem tempo de inatividade em comparação com as soluções nativas.
Este trabalho apresenta um novo framework de representação visual implícita que codifica sinais como funções parametrizadas por adaptações de baixo rank em modelos generativos congelados, permitindo compressão de vídeo extremamente eficiente e unificando os campos de compressão e geração visual.
O artigo apresenta o SMAT, um método de treinamento multiagente em quatro estágios que permite o desenvolvimento de um controlador de exoesqueleto de quadril capaz de reduzir a ativação muscular e fornecer assistência mecânica positiva consistente em diversos usuários sem necessidade de re-treinamento específico.
Este artigo apresenta um novo acelerador baseado em fotônica de silício para modelos de difusão, que supera os aceleradores eletrônicos atuais alcançando uma eficiência energética 3 vezes maior e um aumento de 5,5 vezes no rendimento.
Este artigo apresenta um quadro de aprendizado por reforço para controlar exoesqueletos que reduzem os momentos articulares biológicos e valida esses controladores treinados em simulação através de um conjunto de dados de marcha aberto, demonstrando forte consistência entre simulação e dados reais, especialmente no nível de torque no quadril, embora desafios permaneçam para a transferência sim-real em velocidades mais altas e inclinações mais íngremes.
O artigo apresenta o HELIX, um framework de aprendizado por reforço evolutivo hierárquico que combina in-context learning e refinamento iterativo de políticas para superar limitações de exploração e generalização em problemas científicos abertos, alcançando resultados state-of-the-art em tarefas de empacotamento de círculos e benchmarks de aprendizado de máquina.
Este artigo apresenta um pipeline de geração de dados sintéticos baseado em um Digital Twin do Aeroporto Internacional de Algiers, demonstrando que o treinamento híbrido com esses dados e apenas 40% das anotações reais alcança desempenho superior ou equivalente ao uso de dados reais completos para a detecção de carrinhos de bagagem, reduzindo o esforço de anotação em 25 a 35%.
O artigo propõe o FedCEF, um novo algoritmo de aprendizado federado que combina atualização proximal desacoplada, mecanismo de feedback de erro e variáveis de controle para alcançar convergência robusta e eficiente em comunicação em cenários de otimização não convexa com dados heterogêneos e compressão agressiva.
Este artigo apresenta uma revisão crítica que sintetiza os métodos numéricos clássicos e as abordagens de aprendizado de máquina para a resolução de equações diferenciais parciais, destacando suas distinções epistemológicas, identificando complementaridades genuínas e estabelecendo princípios para o design de métodos híbridos.
Este artigo propõe um quadro teórico unificado que quantifica as relações entre diferentes métricas de avaliação, categorizando-as e analisando-as através do Conjunto Bayesiano-Ótimo e da Transferência de Arrependimento para resolver o problema de "Desajuste de Métricas" e garantir que melhorias em validação offline se traduzam em desempenho online.
Esta dissertação propõe uma mudança no design de microarquitetura de abordagens agnósticas a dados para técnicas orientadas a dados e impulsionadas por aprendizado de máquina, demonstrando em quatro estudos de caso que explorar o comportamento de execução e as características semânticas dos dados melhora significativamente o desempenho e a eficiência energética ao mitigar o gargalo de memória.
Este artigo apresenta o Megatron Core, uma solução de código aberto que otimiza o treinamento escalável de modelos Mixture-of-Experts (MoE) através de técnicas integradas de memória, comunicação e computação, alcançando alto desempenho em clusters de milhares de GPUs para modelos de bilhões a trilhões de parâmetros.
Este artigo propõe um algoritmo primal-dual de ator-critic natural que integra estimativa de crítico com redes neurais e teoria NTK para garantir convergência global e violação de restrições cumulativa em processos de decisão de Markov com recompensa média e políticas generalizadas, superando as limitações de análises teóricas anteriores que dependiam de políticas tabulares ou críticos lineares.
Este artigo investiga como o decaimento excessivo da taxa de aprendizado em algoritmos gananciosos para aprendizado esparsos leva à estagnação estrutural, mesmo em configurações de baixa dimensão, demonstrando que a coerência das características desempenha um papel crucial na definição de limites inferiores para o erro de resíduo.
Este trabalho propõe o "Deep Incentive Design" (DID), uma nova estrutura diferenciável que utiliza blocos de equilíbrio diferenciáveis (DEBs) para automatizar o projeto de incentivos em interações multiagentes, resolvendo com sucesso tarefas desafiadoras como design de contratos, agendamento de máquinas e problemas de equilíbrio inverso através de uma única rede neural treinada.