7103 artigos
O artigo apresenta o Echo2ECG, um framework de aprendizado multimodal auto-supervisionado que enriquece as representações de ECG com a morfologia cardíaca capturada em ecocardiogramas multivista, superando métodos existentes na classificação de fenótipos estruturais e na recuperação de estudos de ecocardiografia com características morfológicas similares.
O artigo apresenta o Oracle-Guided Soft Shielding (OGSS), um framework que combina um modelo de política de aprendizado por imitação com um modelo de previsão de erros táticos baseado em Stockfish para permitir a exploração segura e competitiva no xadrez, reduzindo significativamente a taxa de erros sem comprometer o desempenho.
Este trabalho supera a barreira de viés no aprendizado por reforço multi-objetivo com escalarização côncava, propondo um algoritmo de Gradiente de Política Natural com estimador de Monte Carlo de múltiplos níveis que atinge a complexidade de amostra ótima , eliminando o viés intrínseco que limitava métodos anteriores a .
O artigo apresenta o \texttt{GlobAlign} e sua variante eficiente \texttt{GlobAlign-E}, novos métodos de alinhamento de grafos não supervisionados baseados em representação global e transporte ótimo que superam as limitações de precisão e eficiência das abordagens existentes, alcançando ganhos significativos de acurácia e velocidade.
O artigo apresenta o ProReFF, um modelo de campo de características probabilístico que aprende implicitamente relações de co-ocorrência de objetos a partir de dados não rotulados para guiar agentes robóticos na busca por objetos em ambientes desconhecidos, alcançando uma eficiência 20% superior às melhores linhas de base e até 80% do desempenho humano.
O artigo apresenta o "Interactive World Simulator", um framework que utiliza modelos de consistência para criar simulações interativas rápidas e fisicamente consistentes a partir de dados moderados, permitindo o treinamento e avaliação escaláveis de políticas robóticas com desempenho comparável ao real.
O artigo propõe a Regressão Adversarial Generativa (GAR), um quadro de aprendizado que alinha geradores a objetivos de risco downstream por meio de uma formulação minimax, produzindo cenários de risco condicional que superam métodos tradicionais na preservação de métricas de risco como VaR e ES em dados do S&P 500.
Este trabalho estabelece limites teóricos para o erro de aproximação de funções de valor em aprendizado por reforço, demonstrando como a qualidade da representação baseada em autovetores do Laplaciano escala com a conectividade algébrica do grafo de transições do MDP, mesmo quando essa estrutura é estimada a partir de trajetórias amostrais e sob políticas não uniformes.
Este artigo propõe um arcabouço matemático para fundamentar a confiança em fontes, incluindo agentes de IA, através do conceito de "convicção" — a probabilidade de um posicionamento ser corroborado por consenso independente —, estabelecendo a reputação como o valor esperado dessa convicção ponderada e verificável continuamente.
O artigo apresenta o Drift2Act, um controlador que transforma a monitorização de sistemas de aprendizagem automática em tomada de decisão com segurança explícita, utilizando certificados de risco online para orçamentar intervenções e garantir respostas fiáveis à deriva de distribuição com violações de segurança próximas de zero.
O artigo apresenta o DualFlexKAN (DFKAN), uma arquitetura inovadora de redes Kolmogorov-Arnold que, ao empregar um mecanismo de estágio duplo com controle independente de transformações e ativações, supera as limitações de escalabilidade e rigidez das KANs tradicionais, oferecendo maior precisão, eficiência computacional e adaptabilidade para tarefas científicas com significativamente menos parâmetros.
Este trabalho propõe os algoritmos de aprendizado por reforço profundo em fluxo contínuo S2AC e SDAC, projetados para serem compatíveis com métodos em lote e adequados para ajuste fino em dispositivos, alcançando desempenho comparável ao estado da arte sem necessidade de ajuste tedioso de hiperparâmetros e oferecendo estratégias para superar os desafios na transição entre os paradigmas de aprendizado.
O artigo apresenta a MAGIC Net, uma abordagem inovadora para Aprendizado Contínuo em Streaming que integra estratégias arquitetônicas com redes neurais recorrentes e máscaras aprendíveis para lidar simultaneamente com a dependência temporal, o desvio de conceito e o esquecimento catastrófico em fluxos de dados online.
Este artigo deriva fórmulas integrais e expressões fechadas para o produto tensorial esférico vetorial, permitindo uma simulação eficiente do produto de Clebsch-Gordan com uma redução de 9 vezes nas avaliações e facilitando sua aplicação em redes neurais equivariantes a SO(3).
O artigo apresenta o PostTrainBench, um benchmark que avalia a capacidade de agentes de IA de automatizar o pós-treinamento de modelos de linguagem de forma autônoma, revelando que, embora esses agentes demonstrem progresso significativo e superem modelos oficiais em cenários específicos, eles ainda ficam atrás dos modelos instruídos de ponta e apresentam riscos preocupantes como a violação de regras de segurança e o "hacking" de recompensas.
O artigo apresenta o RAF (Retrieval-Augmented Faces), uma técnica de aumento de treinamento que melhora a generalização de expressões em avatares de cabeça sem modelo, substituindo características de expressão durante o treinamento por vizinhos mais próximos de um banco de dados não rotulado para aumentar a diversidade e robustez sem necessidade de dados parecidos entre identidades ou alterações arquitetônicas.
O artigo apresenta um novo método de expansão funcional que replica e ajusta parâmetros pré-treinados em submódulos de transformadores, permitindo o ajuste fino sem esquecer capacidades originais e alcançando desempenho equivalente ao ajuste completo com custos computacionais reduzidos.
Os autores propõem uma nova arquitetura que utiliza uma medida intrínseca de variância para quantificar a heterogeneidade dos dados de treinamento, permitindo a partição do espaço de entrada em blocos homogêneos que, quando combinados com purificação de dados, resultam em aumentos significativos na precisão do modelo.
Este artigo apresenta um novo quadro teórico e algorítmico que integra a teoria de grupos e entropias grupais ao aprendizado de máquina, introduzindo uma família flexível de atualizações de Descida Espelhada com "dualidade espelhada" para otimizar a adaptação a diversas distribuições estatísticas e geometrias de dados.
Este artigo apresenta uma abordagem não supervisionada baseada em GAN auto-condicionada e livre de contexto para prever trajetórias, demonstrando superioridade sobre métodos anteriores na previsão de padrões de movimento humanos e de agentes rodoviários, especialmente em cenários com rótulos supervisionados limitados.