7103 artigos
Este artigo apresenta uma nova metodologia explicável para monitoramento de condição em transmissões de helicóptero, baseada apenas em dados saudáveis e no uso de detecção probabilística de anomalias com quantificação de incerteza, validada experimentalmente com desempenho competitivo em benchmarks públicos e dados reais.
O artigo propõe o SAGAD, um framework escalável e adaptativo para detecção de anomalias em grafos que mitiga disparidades de homofilia e reduz custos computacionais através de filtros de Chebyshev reparametrizados, fusão adaptativa de contextos e uma função de perda orientada por preferências de frequência, superando os métodos atuais em precisão e eficiência em grandes grafos.
O artigo apresenta o DARC, um método de inferência sem re-treinamento que aborda a heterogeneidade nas preferências humanas ao reformular a seleção de respostas como uma decisão sensível ao risco e robusta distribucionalmente, reduzindo assim o risco de cauda e a discordância sem comprometer a qualidade média.
O artigo apresenta o Eventax, um framework desenvolvido em JAX que resolve o compromisso entre flexibilidade de modelos e precisão de gradientes no treinamento de redes neurais baseadas em eventos, permitindo o uso de solvers numéricos diferenciáveis para calcular gradientes exatos em qualquer modelo de neurônio definido por equações diferenciais.
Este artigo apresenta o CFG, um método de aprendizado livre e plug-in que otimiza a Orientação Livre de Classificador (CFG) em modelos de difusão condicional ao alinhar dinamicamente a força de orientação com a dinâmica do processo de difusão, fundamentado em uma análise teórica rigorosa das discrepâncias de pontuação.
Este artigo argumenta que a avaliação atual de previsão de séries temporais de longo prazo está excessivamente focada em métricas de erro pontual agregado, o que desvia o progresso do campo de objetivos reais como a estrutura temporal e a utilidade decisória, propondo em seu lugar uma perspectiva de avaliação multidimensional que integre fidelidade estatística, coerência estrutural e relevância para a tomada de decisão.
Este artigo propõe o algoritmo ALS-IRLS, um método robusto a outliers para estimação de covariância de ruído em filtros de Kalman que combina um mecanismo de limiar adaptativo e a função de custo de Huber dentro de um quadro de Mínimos Quadrados Iterativamente Reponderados, resultando em uma precisão de estimação superior e desempenho próximo ao limite ideal de Oracle em cenários com dados contaminados.
O artigo apresenta o TIER, um método que constrói uma taxonomia hierárquica implícita e a integra ao aprendizado de representações em Redes Ricas em Texto (TRNs) por meio de aprendizado contrastivo e regularização, superando abordagens existentes ao capturar tanto semânticas de alto quanto de baixo nível.
O artigo apresenta o Covenant-72B, um modelo de linguagem de 72 bilhões de parâmetros pré-treinado em escala sem precedentes por meio de uma colaboração global e permissionless apoiada por blockchain e pelo otimizador SparseLoCo, demonstrando que a participação aberta e não whitelistada é viável e competitiva em relação a modelos centralizados.
O estudo demonstra que o raciocínio em cadeia contínuo (Continuous Chain-of-Thought) supera o raciocínio explícito em idiomas de baixa recursos, oferecendo maior robustez em cenários zero-shot e uma compressão de eficiência de 29 a 50 vezes, graças à invariância linguística inerente às representações latentes contínuas.
O artigo apresenta o ALOOD, uma abordagem inovadora que utiliza representações linguísticas de modelos visão-linguagem para alinhar características de detecção LiDAR e tratar a identificação de objetos fora da distribuição como uma tarefa de classificação zero-shot, melhorando a segurança em sistemas de direção autônoma.
O AutoAdapt é um novo framework automatizado de ponta a ponta que utiliza um sistema multiagente de debate e um substituto baseado em LLM para otimizar a adaptação de domínio de modelos de linguagem grandes, superando as abordagens atuais com maior precisão e menor custo computacional.
O artigo apresenta o SERQ, um método de reconstrução de erros sensível à saliência que utiliza uma única matriz de compensação de baixo posto para permitir inferência eficiente de LLMs em 4 bits (W4A4 e W4A8), superando o estado da arte em precisão enquanto minimiza a sobrecarga computacional e a complexidade de calibração.
Este artigo propõe um framework que integra análise de opções reais com um algoritmo de otimização baseado em Transformers (TPPO) para resolver o problema de design sequencial de regiões de serviço sob incerteza de demanda e efeitos de transbordamento, permitindo identificar sequências de investimento ótimas que superam métodos tradicionais em velocidade e valor.
O artigo critica a dependência atual de métricas de erro pontual para avaliar modelos fundacionais tabulares em regressão, propondo a adoção de regras de pontuação adequadas, como o CRPS, para avaliar previsões probabilísticas e incentivando o ajuste fino desses modelos para otimizar diferentes distribuições.
Este artigo estende o método de agregação adaptativa AsyncFedED ao explorar métricas de distância alternativas para medir o atraso dos gradientes em aprendizado federado assíncrono, demonstrando que certas métricas melhoram a robustez, a eficiência e a estabilidade do treinamento em cenários heterogêneos com dados não-IID.
Este artigo apresenta um operador neural baseado em Expansão do Caos de Wiener com modulação linear por características (WCE-FiLM-NO) que resolve com eficiência equações diferenciais parciais estocásticas singulares, como os modelos dinâmicos e , alcançando alto desempenho sem a necessidade de fatores de renormalização.
Este artigo investiga o fenômeno de jailbreak acionado por continuação em modelos de linguagem grandes, revelando através de análise mecanicista que o sucesso desses ataques resulta de uma competição intrínseca entre o impulso do modelo para continuar o texto e suas defesas de segurança, além de identificar diferenças no comportamento das cabeças de atenção críticas para a segurança em diferentes arquiteturas.
Este artigo apresenta o Fibration Policy Optimization (FiberPO), um novo quadro teórico e prático que unifica o controle de estabilidade em múltiplas escalas para modelos de linguagem grandes, combinando uma reformulação exata de objetivos de confiança com uma estrutura algébrica de fibrados para otimizar a eficiência e a estabilidade do treinamento em sistemas heterogêneos.
Este artigo propõe um sistema de suporte à decisão baseado em processos neurais que utiliza a previsão probabilística de sinais vitais para identificar pacientes elegíveis para a transição de antibióticos intravenosos para orais, superando as limitações de abordagens que aprendem com decisões históricas e demonstrando maior eficácia na priorização de casos em dados reais dos EUA e do Reino Unido.