7426 artigos
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.
O artigo apresenta o TianQuan-S2S, um modelo global de previsão meteorológica subestacional a sazonal que integra estados climáticos e um Transformer aumentado por incerteza para superar as limitações de métodos tradicionais e baseados em dados, demonstrando desempenho superior em variáveis meteorológicas-chave.
O artigo apresenta o "Noise2Ghost", um novo método de reconstrução de imagem fantasma baseado em aprendizado profundo auto-supervisionado que elimina a necessidade de dados de referência limpos e oferece redução de ruído superior, permitindo aplicações de alta qualidade em cenários de baixa luminosidade, como imageamento de raios-X de amostras biológicas e baterias.
Este artigo propõe um mecanismo escalável e baseado no framework Propose-Test-Release (PTR) para a estimação privada do componente principal de grafos sob privacidade diferencial de arestas, alcançando uma precisão superior em grafos "bem-comportados" e uma melhoria de 180 vezes no tempo de execução em comparação com métodos existentes, além de permitir a primeira solução com privacidade diferencial para o problema do subgrafo mais denso.
Este artigo apresenta uma formulação variacional do fluxo de partículas log-homotópico, demonstrando que ele segue um gradiente de Fisher-Rao no espaço de densidades e derivando versões aproximadas por distribuições Gaussianas e misturas Gaussianas que, sob certas condições, se reduzem ao fluxo de partículas exato de Daum e Huang.
O artigo apresenta o ReactDance, um framework de difusão que utiliza uma representação latente hierárquica com quantização escalar finita (HFSQ) e uma estratégia de amostragem não autoregressiva baseada em blocos (BLC) para gerar danças reativas de alta fidelidade e coerência temporal em sequências longas.
Este artigo apresenta o MiCo, um framework hierárquico baseado em agentes de linguagem que utiliza grandes modelos de linguagem (LLMs) para projetar heurísticas adaptáveis e generalizáveis, resolvendo com alta eficiência o complexo problema de escalonamento dinâmico de máquinas virtuais em nuvem.
Este artigo apresenta o CausalPitfalls, um benchmark abrangente que avalia a capacidade de modelos de linguagem de grande escala (LLMs) de superar armadilhas estatísticas comuns na inferência causal, revelando limitações significativas em sua confiabilidade para aplicações do mundo real.
O artigo apresenta o ShIOEnv, um ambiente de shell Bash compatível com Gymnasium que utiliza síntese baseada em gramática e um sinal de irreduzibilidade auto-supervisionado para gerar 2,1 milhões de pares de entrada-saída, permitindo que modelos aprendam com maior precisão o comportamento de execução de comandos reais, superando as abordagens anteriores livres de execução.
O artigo apresenta o VTool-R1, um framework pioneiro que utiliza aprendizado por reforço para treinar modelos de linguagem e visão (VLMs) a raciocinar de forma multimodal, intercalando texto e etapas visuais intermediárias geradas por ferramentas de edição de imagem, melhorando assim o desempenho em tarefas complexas de questionamento visual.
Este artigo apresenta um algoritmo de aprendizado PAC eficiente em atributos para hiperplanos esparsos que é robusto a uma taxa constante de ruído malicioso, utilizando variantes simples de programas de minimização de perda de hinge sob condições de concentração e margem.
Este artigo propõe um novo quadro que representa modelos de linguagem grandes com parâmetros booleanos multi-núcleo, permitindo o ajuste fino direto no domínio booleano sem pesos latentes, o que elimina a perda de desempenho e reduz drasticamente a complexidade em comparação com métodos existentes.
Este trabalho propõe o raciocínio em cadeia de pensamento com tokens contínuos (CoT2), demonstrando teoricamente e empiricamente que essa abordagem permite a exploração paralela de múltiplos traços de raciocínio, superando métodos tradicionais em eficiência e desempenho em tarefas lógicas complexas.
O artigo apresenta o SealQA, um novo benchmark desafiador que avalia modelos de linguagem aumentados por busca em cenários de resultados conflitantes e ruidosos, revelando que mesmo os modelos de ponta atuais falham em tarefas de raciocínio factual e de contexto longo, com desempenho que não melhora consistentemente com o aumento de recursos computacionais.