7378 artigos
Este artigo propõe dois algoritmos de primeira ordem sem derivadas (zeroth-order), o ZO-PDAPG e o ZO-RMPDPG, que garantem complexidade iterativa para encontrar pontos estacionários em problemas minimax não convexos com restrições lineares acopladas, estabelecendo novos padrões de desempenho, especialmente no cenário estocástico sem restrições acopladas.
O artigo apresenta a Colaboração de Dados Ortonormal (ODC), um método que impõe bases ortonormais para reduzir o alinhamento de representações a um problema de Procrustes Ortogonal com solução fechada, garantindo concordância ortogonal, estabilidade numérica e acelerações de até 100 vezes sem comprometer a privacidade ou a precisão.
Este trabalho propõe uma abordagem de otimização submodular multi-tarefa que, ao introduzir um termo de regularização por entropia relativa, garante robustez distribucional local e eficiência computacional através de métodos gananciosos, validada em cenários de seleção de satélites e sumarização de imagens.
Este artigo apresenta um novo método de aprendizado que, ao utilizar duas fases de treinamento para distilar informações privilegiadas de um algoritmo heurístico, resolve o Problema do Caixeiro Viajante com Vizinhanças para veículos não holonômicos de forma 50 vezes mais rápida que o método original, superando outras abordagens de aprendizado por imitação e reforço.
O artigo apresenta o HEroBM, uma rede neural gráfica equivariante profunda e escalável que realiza o backmapping universal e preciso de representações de grão grosso para atômicas em qualquer sistema químico, superando as limitações de métodos anteriores em transferibilidade e qualidade geométrica.
Este artigo propõe e analisa um algoritmo assintoticamente ótimo para um problema de aprendizado online e otimização com decisões irreversíveis de cobertura, demonstrando que uma política que equilibra exploração inicial e exploração subsequente minimiza o arrependimento de forma sublinear à medida que o número de instalações aumenta.
O artigo apresenta o GPSL, um esquema de aprendizado dividido paralelo que, ao fixar o tamanho do lote global e utilizar amostragem global, elimina vieses de arredondamento e estabiliza o treinamento em cenários de dados não-IID, alcançando precisão comparável à centralizada com overhead negligenciável.
Este artigo propõe uma abordagem de fatoração de matriz não negativa (NMF) com uma formulação min-max para mitigar viés em tarefas de aprendizado de máquina, apresentando algoritmos de otimização e evidenciando, por meio de experimentos, que o aumento da equidade pode ocorrer às custas de um maior erro para alguns indivíduos, ressaltando a necessidade de adaptar a escolha do método ao contexto específico da aplicação.
Este artigo apresenta um estudo experimental abrangente que demonstra que modelos de aprendizado de máquina conscientes de justiça alcançam um melhor equilíbrio entre precisão preditiva e equidade em comparação com modelos de classificação tradicionais no contexto de pontuação de crédito.
Este artigo apresenta o Path Planning (P2), uma nova estratégia de amostragem para Modelos de Difusão Mascaramento (MDMs) que generaliza métodos existentes ao introduzir um estágio de planejamento para selecionar e refinar tokens, resultando em melhorias significativas no desempenho generativo em diversas tarefas como biologia, raciocínio matemático e geração de código.
Este artigo demonstra que a otimização de redes neurais rasas sofre da maldição da dimensionalidade, onde a taxa de decaimento do risco populacional durante o treinamento por fluxo de gradiente é limitada pela suavidade da função alvo e pela dimensão do espaço, resultando em convergência lenta que piora conforme a dimensionalidade aumenta.
Este trabalho estende o método de fluxo de entropia para derivar limites de generalização para uma ampla classe de algoritmos de aprendizado governados por processos de Markov, estabelecendo uma conexão unificada entre o erro de generalização e as propriedades ergódicas desses processos por meio de novas fórmulas exatas e aproximações de tempo contínuo.
Este artigo refuta a conjectura de que existe uma correspondência biunívoca entre os atratores da dinâmica replicadora e as equações de sumidouro em jogos, demonstrando contraexemplos baseados em "fontes locais" e estabelecendo a pseudoconvexidade como uma condição suficiente para que tal correspondência seja válida em jogos de dois jogadores.
Este artigo propõe o FBFL, uma abordagem de aprendizado federado baseada em campos que utiliza macroprogramação e coordenação espacial para criar uma arquitetura hierárquica auto-organizada, superando os desafios de heterogeneidade de dados não-IID e falhas de servidor, enquanto supera métodos existentes como FedAvg, FedProx e Scaffold em cenários não-IID.
O artigo propõe e analisa o algoritmo Clip21-SGD2M, que combina clipping, momentum de heavy-ball e feedback de erro para alcançar simultaneamente garantias ótimas de convergência e privacidade diferencial em cenários de aprendizado federado com dados heterogêneos.
Esta pesquisa apresenta uma revisão abrangente que propõe uma taxonomia unificada baseada no raciocínio probabilístico para classificar modelos generativos em quatro funções distintas (controladores, modeladores, otimizadores e avaliadores) no contexto da tomada de decisão, analisando seus desafios de aplicação em domínios de alto risco e traçando o caminho para a Inteligência Física Generalista.
Este artigo propõe o modelo BACE-RUL, uma rede adversária bi-direcional com codificação de covariáveis que prevê a vida útil remanescente de máquinas utilizando apenas medições de sensores do ciclo atual, superando métodos existentes em precisão e aplicabilidade em cenários do mundo real.
O artigo identifica o "miragem de segurança" como uma falha no ajuste fino supervisionado de Modelos de Linguagem e Visão (VLMs) que reforça correlações espúrias, e propõe o desaprendizado de máquina como uma solução eficaz para reduzir ataques de segurança e rejeições desnecessárias de consultas benignas.
Este artigo apresenta uma investigação empírica em larga escala que revela que a capacidade de modelos de linguagem grandes (LLMs) de localizar falhas em código é altamente frágil a mutações semânticas, indicando que seu raciocínio depende excessivamente de pistas sintáticas irrelevantes em vez de compreender a lógica profunda do programa.
Este artigo apresenta o ms-Mamba, uma nova arquitetura de previsão de séries temporais que supera os métodos atuais ao processar dados em múltiplas escalas temporais utilizando blocos Mamba com taxas de amostragem variadas, alcançando maior precisão com menor custo computacional.