7279 artigos
Este artigo apresenta as Synthetic Monitoring Environments (SMEs), uma suite infinita de tarefas de controle contínuo com políticas ótimas conhecidas e métricas de desempenho exatas, projetada para permitir diagnósticos precisos e análises científicas rigorosas do comportamento de agentes de Aprendizado por Reforço, superando as limitações de benchmarks atuais.
Este artigo propõe o modelo BAEN-SVM, que utiliza uma nova função de perda elástica assimétrica limitada para criar uma máquina de vetores de suporte robusta a ruídos, geometricamente bem definida e com garantia de consistência, resolvendo o problema de otimização não convexo por meio de um algoritmo eficiente e demonstrando superioridade em experimentos com dados ruidosos.
O artigo propõe o DeCoST, uma abordagem de aprendizado baseada em duas etapas que desacopla variáveis discretas e contínuas para resolver o Problema de Orientação com Janelas de Tempo e Lucros Variáveis (OPTWVP), superando os métodos existentes em qualidade da solução e eficiência computacional.
Este estudo demonstra que pipelines de raciocínio agênico com recuperação aumentada melhoram a robustez e o consenso entre modelos de linguagem variados em perguntas de radiologia, embora a concordância elevada não garanta necessariamente a correção e muitos erros permaneçam clinicamente graves.
Este artigo apresenta uma implementação neural de mapas cognitivos difusos (FHM) que utiliza dinâmica de Langevin para aprender padrões de causalidade, evitar overfitting e fornecer critérios de modificação para inversão de valores de saída, com sua eficácia validada em diversos conjuntos de dados.
O artigo apresenta o Stem, um módulo de esparsidade plug-and-play que otimiza o fluxo de informação em mecanismos de atenção causal ao empregar uma seleção top-k dependente da posição e uma métrica consciente da saída, superando o gargalo computacional de modelos de linguagem grandes em contextos longos com maior precisão e menor latência.
O artigo apresenta o GMM-PIELM, um framework probabilístico que aprimora as Máquinas de Aprendizado Extremo Informadas pela Física (PIELMs) ao utilizar um algoritmo de Expectativa-Maximização ponderado para adaptar automaticamente a amostragem de funções de base radial às regiões de alta complexidade física, resolvendo com precisão equações diferenciais parciais rígidas com erros significativamente menores e mantendo a velocidade de treinamento superior das PIELMs.
Este artigo propõe um método inovador de remoção de artefatos em imagens 3D de CBCT dentário, utilizando modelos de difusão baseados em pontuação perpendicular que operam no domínio das projeções para preservar as correlações espaciais e gerar reconstruções de alta qualidade.
Este artigo apresenta o PolaDCA, um novo framework de aprendizado relacional baseado em atenção cruzada direta polarizada que supera as limitações das redes neurais gráficas convencionais na diagnóstico de falhas em máquinas rotativas, oferecendo maior robustez ao ruído e precisão através da construção de grafos adaptativos orientada por dados.
O artigo propõe um pipeline de três etapas para pós-treinar Modelos de Linguagem Grandes (LLMs) a inferir estimativas de incerteza calibradas e interpretáveis de forma eficiente, combinando pontuações de entropia, calibração via Platt scaling e aprendizado por reforço para superar as limitações computacionais e de precisão dos métodos pós-hoc existentes.
O artigo apresenta o SAHOO, um framework prático que utiliza três mecanismos de segurança para monitorar e controlar a deriva de alinhamento durante a autoaperfeiçoamento recursivo de sistemas de IA, resultando em ganhos significativos de qualidade em tarefas de código e raciocínio sem comprometer a segurança ou a veracidade.
O artigo apresenta o AIRT, um framework de aprendizado profundo de ponta a ponta capaz de gerar planos de radioterapia VMAT para próstata em menos de um segundo, demonstrando qualidade não inferior aos planos convencionais do RapidPlan Eclipse.
O MoEless é o primeiro framework de serviço serverless para Modelos de Linguagem de Grande Escala (LLMs) com Mistura de Especialistas (MoE) que mitiga o desequilíbrio de carga entre especialistas e reduz a latência e os custos de inferência através de previsões de carga, escalabilidade dinâmica e estratégias otimizadas de alocação em GPUs.
O artigo apresenta o DC-DiT, um modelo de difusão que utiliza um mecanismo de "chunking" dinâmico e aprendido para adaptar a quantidade de tokens processados conforme a complexidade visual da imagem e o estágio da difusão, melhorando a eficiência computacional e a qualidade da geração sem necessidade de supervisão explícita.
Este trabalho apresenta a Frequency-Separable Hamiltonian Neural Network (FS-HNN), uma arquitetura que supera as limitações de redes neurais hamiltonianas convencionais na captura de dinâmicas multiescala ao parametrizar o Hamiltoniano através de múltiplas redes treinadas em diferentes escalas de tempo, resultando em melhorias significativas na extrapolação de longo prazo e na generalização para sistemas de equações diferenciais ordinárias e parciais.
Este trabalho apresenta um modelo de classificação baseado em distância de compressão normalizada que, apesar de não ser uma métrica formal, oferece alta precisão com poucos dados e baixo custo computacional, permitindo a execução eficiente de aprendizado de máquina diretamente em dispositivos de usuário para preservar a privacidade.
O artigo apresenta o CLAIRE, um framework de aprendizado profundo híbrido que combina autoencoders para extração de características latentes e técnicas de IA explicável para melhorar a detecção precisa e interpretável de falhas em ambientes industriais de alta dimensão.
Este artigo apresenta o ALFCG, o primeiro framework adaptativo e livre de projeção para minimização estocástica não convexa que dispensa constantes de suavidade globais e busca linear, utilizando um acumulador auto-normalizado para estimar a suavidade local e alcançar complexidades de iteração ótimas próximas de em cenários de baixo ruído.
Este artigo estende a regularização baseada em cinética (KBR) para aprender derivadas espaciais com precisão de segunda ordem em dados ruidosos, propondo esquemas explícitos e implícitos que, ao serem acoplados a solvers conservadores, permitem a captura estável de choques em EDPs hiperbólicas e abrem caminho para a resolução de equações em nuvens de pontos irregulares.
O artigo propõe uma arquitetura de orquestração com "portões de esquema" que separa a flexibilidade conversacional da execução determinística, permitindo que modelos de linguagem traduzam objetivos naturais em fluxos de trabalho científicos reprodutíveis e governados sem comprometer a precisão.