2316 artigos
O artigo apresenta o EvoSchema, um benchmark abrangente que introduz uma nova taxonomia de evolução de esquemas para avaliar e melhorar a robustez dos modelos de texto-para-SQL frente a mudanças dinâmicas em bancos de dados, demonstrando que perturbações no nível de tabelas impactam mais o desempenho e que o treinamento com dados diversificados gera sistemas mais resilientes.
O artigo propõe o Riemannian MeanFlow (RMF), um método que estende o MeanFlow para variedades Riemannianas, permitindo a geração em uma única etapa com alta qualidade e baixo custo computacional ao evitar a integração numérica de ODEs por meio de um campo de velocidade média intrínseco e transporte paralelo.
Este artigo apresenta o algoritmo "Sample-and-Search", uma abordagem de aprendizado aumentado para o problema de agrupamento -médias em altas dimensões que utiliza amostragem e pré-processamento com preditores para reduzir significativamente a complexidade computacional e o custo de agrupamento em comparação com métodos existentes.
O artigo apresenta o CacheSolidarity, um sistema que protege ambientes de inferência de LLMs multi-tenant contra canais laterais de temporização decorrentes do cache de prefixos, permitindo a reutilização segura de cache e melhor desempenho sem sacrificar a eficiência.
Este artigo compara a estimativa de incerteza via Monte Carlo Dropout e a Predição Conformal em redes neurais convolucionais treinadas no Fashion-MNIST, demonstrando que, embora o H-CNN VGG16 tenha maior precisão, o GoogLeNet oferece melhor calibração e a Predição Conformal garante conjuntos de previsão estatisticamente válidos, reforçando a necessidade de avaliar modelos além da simples acurácia para aplicações de alto risco.
Este artigo propõe uma solução estrutural para o vazamento de dados em workflows de aprendizado de máquina, introduzindo uma gramática baseada em grafos acíclicos direcionados com restrições de tempo de execução que previnem falhas críticas de avaliação, superando as abordagens tradicionais baseadas apenas em documentação.
O artigo apresenta o CUPID, um módulo plug-in versátil que estima conjuntamente a incerteza aleatória e epistêmica em redes neurais pré-treinadas sem necessidade de retreinamento, permitindo uma análise interpretável e model-agnóstica da origem das incertezas em diversas tarefas de aprendizado profundo.
O artigo propõe uma arquitetura de autoencoder baseada em aprendizado profundo para o quadro de computação distribuída aleatorizada (RDFC), visando minimizar a distância da variação total em relação a uma distribuição alvo desconhecida e demonstrando ganhos significativos em carga de comunicação em comparação com métodos de compressão de dados.
O artigo apresenta uma abordagem baseada em Funções de Hardware Inimitáveis (PUFs) para vincular os pesos de modelos de Redes Neurais às propriedades únicas do hardware subjacente, impedindo assim a execução precisa desses modelos em hardware clonado e protegendo a Propriedade Intelectual incorporada.
O artigo propõe o SP-FL, um novo framework para aprendizado federado sem fio que prioriza a transmissão de sinais de gradiente e alocar recursos de forma desigual com base na importância dos dados, resultando em maior precisão em cenários com recursos limitados.
Este artigo propõe um framework totalmente baseado em dados que combina modos OTD para identificar instabilidades transitórias eficientemente com modelos Transformer, permitindo a previsão de longo prazo de eventos extremos em sistemas caóticos de alta dimensão, como o fluxo de Kolmogorov, sem depender das equações governantes.
O artigo propõe o uso de "Super Neurônios", que são ativações escalares diretas de camadas iniciais de Modelos de Linguagem Visuais, para criar classificadores precisos em tarefas de VQA categórica que permitem uma saída antecipada extrema e alcançam acelerações de até 5,10 vezes sem necessidade de ajuste fino.
Este artigo apresenta um framework de IA que utiliza uma estratégia de divisão de dados consciente do contexto e correção de erros espaciais para prever com maior precisão a demanda de tráfego celular em 5G/6G, mitigando vazamentos de dados e melhorando o planejamento de rede em cidades canadenses.
Este artigo apresenta um modelo hierárquico baseado em redes neurais de atenção gráfica (HR-GAT) que estima a demanda de espectro em escala espacial fina com maior precisão do que métodos existentes, utilizando dados públicos de implantação para apoiar decisões regulatórias e o compartilhamento de espectro em cidades canadenses.
O artigo apresenta o MCCOP, um framework que utiliza otimização em espaço latente guiada por modelos de difusão para gerar mutações proteicas mínimas e biologicamente plausíveis que alteram previsões de modelos de aprendizado profundo, oferecendo insights mecanicistas e diretrizes acionáveis para o design de proteínas.
Este artigo propõe e avalia o uso do "randomized smoothing" como uma defesa eficaz e computacionalmente eficiente para melhorar a robustez de modelos de previsão de trajetória contra ataques adversariais, sem comprometer a precisão em cenários normais.
O artigo apresenta o ReTabSyn, um pipeline de síntese de dados tabulares baseado em aprendizado por reforço que prioriza a distribuição condicional para superar limitações em cenários com poucos dados e desequilíbrio de classes, resultando em melhor utilidade para modelos downstream e permitindo a aplicação de restrições específicas de especialistas.
O artigo apresenta o EvoKernel, um framework de agentes autoevolutivos que utiliza uma abordagem de memória orientada a valor para superar a escassez de dados na síntese de kernels para NPUs, melhorando drasticamente a precisão e o desempenho através de rascunhos iniciais e refinamento contínuo sem necessidade de ajuste fino custoso.
O artigo propõe o , um modelo de valor generalista que funde adaptativamente uma prioridade pré-treinada com médias empíricas de rollouts esparsos, utilizando testes estatísticos em tempo real para equilibrar viés e variância, resultando em uma melhoria de desempenho superior a 10% e convergência mais rápida em benchmarks de raciocínio matemático em comparação com métodos como GRPO e DAPO.
Este artigo apresenta o 6ABOS, um framework de código aberto em Python que automatiza a correção atmosférica de imagens hiperespectrais da missão EnMAP para ambientes aquáticos complexos, utilizando o modelo de transferência radiativa 6S e a API do Google Earth Engine para obter resultados validados com alta precisão espectral.