2316 artigos
Este artigo propõe um modelo de mundo para prever a degradação de baterias de íon-lítio sob envelhecimento não estacionário, utilizando um estado latente e uma transição dinâmica aprendida para gerar trajetórias futuras, o que reduz o erro de previsão pela metade em comparação com a regressão direta e melhora a precisão no ponto de inflexão da degradação ao incorporar restrições do Modelo de Partícula Única.
Este artigo apresenta um framework de aprendizado por reforço multiagente baseado em Proximal Policy Optimization (PPO) para coordenar frotas de drones na entrega dinâmica e priorizada de suprimentos médicos, demonstrando, através de dados geográficos reais, que a abordagem PPO clássica supera estratégias assíncronas e sequenciais em cenários de logística de saúde sob incerteza.
O artigo apresenta o GR³ (Group Relative Reward Rescaling), uma nova abordagem de aprendizado por reforço que mitiga a inflação de comprimento em LLMs através de um mecanismo de redimensionamento multiplicativo e regularização relativa, eliminando as compensações indesejadas de métodos anteriores e mantendo o desempenho sem perdas.
O artigo apresenta o SCORE, uma abordagem recorrente discreta que substitui o empilhamento tradicional de camadas por iterações de um único bloco neural compartilhado com atualizações contrativas inspiradas em EDOs, resultando em menor contagem de parâmetros, maior velocidade de convergência e treinamento acelerado em diversas arquiteturas de redes neurais.
Este artigo propõe uma abordagem baseada em aprendizado por reforço para otimizar automaticamente os pesos das funções de pontuação em agendadores de clusters, resultando em melhorias significativas no desempenho de ponta a ponta das tarefas em comparação com métodos tradicionais de pesos fixos ou baselines existentes.
Este artigo propõe uma estrutura de aprendizado de máquina baseada em grafos bipartidos para prever retornos entre os mercados de ações dos EUA e da China, revelando uma forte assimetria direcional onde os retornos do mercado americano possuem poder preditivo significativo sobre os retornos intradiários chineses, enquanto o efeito inverso é limitado.
Este artigo demonstra que a convergência e a unicidade das Redes de Equilíbrio de Operadores Monótonos sob quantização de pesos são garantidas quando a perturbação espectral permanece abaixo da margem de monotonicidade, permitindo treinamento consciente da quantização para recuperar a convergência em baixas precisões.
Este artigo apresenta um Variational Autoencoder que preserva a geometria riemanniana (RGP-VAE) para gerar matrizes de covariância sintéticas de EEG de alta fidelidade, preservando sua natureza definida positiva e permitindo o aumento de dados em interfaces cérebro-computador para imaginação motora.
Este artigo demonstra que o aprendizado em contexto (ICL) em Transformers emerge da construção de estimadores estatísticos adaptativos que aproximam testes de razão de verossimilhança ótimos, revelando mecanismos distintos para tarefas lineares e não lineares que vão além da simples correspondência de similaridade.
O artigo apresenta o HAPEns, um método de ensemble pós-hoc para dados tabulares que equilibra desempenho preditivo e eficiência de hardware, superando as abordagens existentes ao gerar um conjunto diversificado de soluções na fronteira de Pareto em 83 conjuntos de dados.
Este estudo empírico demonstra que, ao contrário da hipótese de que o alinhamento moral exige algoritmos focados em diversidade, métodos de maximização de recompensa (RLVR) são igualmente eficazes para o raciocínio moral, pois as respostas de alta recompensa nesse domínio formam distribuições mais concentradas do que em tarefas matemáticas.
Este artigo estabelece um quadro matemático unificado chamado "Gradient Flow Drifting" que demonstra a equivalência entre o modelo Drifting e o fluxo de gradiente de Wasserstein da divergência KL forward sob aproximação de estimativa de densidade por kernel, permitindo a criação de uma nova família de modelos generativos que combinam diferentes divergências para evitar colapso e borramento de modos, inclusive em variedades Riemannianas.
Este artigo técnico descreve uma implementação compatível com JAX da família Broyden autoescalada de métodos quase-Newton, incluindo variantes como BFGS e DFP com busca por zoom, desenvolvida sobre a biblioteca Optimistix para facilitar sua adoção pela comunidade.
Este artigo apresenta o Geo-ATBench, um novo benchmark e tarefa de rotulagem de áudio geoespacial que integra contexto semântico geográfico para melhorar a identificação de eventos sonoros, juntamente com o framework GeoFusion-AT que demonstra que a fusão desses dados com áudio supera abordagens baseadas apenas no som.
O artigo propõe a Recompensa de Expectativa Condicional (CER), um método que utiliza o próprio modelo de linguagem como verificador implícito para fornecer sinais de recompensa graduais e eliminar a dependência de regras de verificação externas, ampliando assim a eficácia do Aprendizado por Reforço com Recompensas Verificáveis (RLVR) para domínios de raciocínio de resposta livre.
Este artigo apresenta uma abordagem inovadora e explicável para detectar e eliminar gatilhos de backdoor em redes neurais, utilizando caminhos ativos e validando sua eficácia em um modelo de detecção de intrusão.
O artigo propõe o FAME, um novo método de explicações abdutivas baseado em interpretação abstrata que escala para grandes redes neurais, reduzindo o tamanho das explicações e eliminando a dependência da ordem de travessia através de domínios de perturbação dedicados e limites baseados em LiRPA.
Este artigo propõe uma Rede Neural de Grafos com Atenção Espacio-Temporal (STA-GNN) para detecção de anomalias explicável e adaptável a mudanças em Sistemas de Controle Industrial, integrando dados ciber-físicos e estratégias de previsão conformal para mitigar falsos positivos e melhorar a confiabilidade operacional.
Este trabalho propõe o uso de Redes Decodificadoras Recorrentes Superficiais (SHRED) combinadas com decomposição em valores singulares (SVD) como um modelo substituto eficiente e baseado em dados para reconstruir em tempo real os campos completos de velocidade, pressão e temperatura em sistemas de fusão nuclear, utilizando apenas medições térmicas esparsas e demonstrando robustez frente a variações paramétricas e posicionamento de sensores.
O artigo apresenta o método "Contract And Conquer" (CAC), que utiliza conhecimento destilado e contração do espaço de busca para garantir a geração provável de exemplos adversariais para modelos de caixa preta, superando os métodos atuais de ponta no conjunto de dados ImageNet.