2316 artigos
O artigo apresenta o SNPgen, um framework de difusão latente condicional que gera dados genotípicos sintéticos supervisionados por fenótipos, demonstrando que modelos treinados nesses dados preservam a estrutura genética e alcançam desempenho preditivo comparável ao de dados reais, oferecendo assim uma alternativa viável e privada para pesquisas genômicas.
O artigo propõe o LAtte, um novo framework que integra um módulo de atenção Lorentziana com um codificador baseado em InceptionTime para superar a variabilidade inter-sujeito e o baixo relação sinal-ruído na classificação de EEG, alcançando desempenho superior em tarefas de classificação cruzada através do aprendizado de um modelo compartilhado e de adaptadores específicos para cada sujeito.
Este artigo apresenta um modelo eficiente de Difusão Transformer (DiT) que gera sequências de DNA regulatório específicas de tipos celulares com maior eficiência de treinamento e menor memorização que abordagens anteriores, alcançando uma melhoria de 38 vezes na atividade regulatória predita após o ajuste fino com DDPO.
Este artigo propõe novos testes estatísticos baseados em kernels, utilizando a Discrepância de Stein e a Discrepância de Máxima Média, para avaliar a equivalência entre distribuições e superar as limitações dos testes de ajuste de qualidade tradicionais que não conseguem confirmar a ausência de diferenças significativas.
Este trabalho propõe a Amostragem Preditiva de Dinâmica (DPS), um método que utiliza inferência bayesiana online sobre um modelo de Markov oculto para prever e selecionar prompts informativos antes de custosas simulações, reduzindo assim a sobrecarga computacional e acelerando o ajuste fino por aprendizado por reforço de modelos de raciocínio grandes.
Este artigo examina o impacto dos processos de recompensa não ergódicos no aprendizado por reforço, demonstrando que o valor esperado é inadequado para avaliar o desempenho de agentes individuais em implantação e apresentando soluções que otimizam o desempenho de longo prazo em trajetórias únicas.
O LookaheadKV é um framework de evicção de cache KV leve e preciso que supera os métodos existentes ao prever a importância dos tokens sem a necessidade de geração de rascunho computacionalmente custosa, resultando em menor latência e melhor desempenho em tarefas de longo contexto.
Este artigo apresenta uma nova abordagem para prever o resultado do torneio NCAA de 2024 utilizando a Análise de Fusão Combinatória (CFA) para combinar múltiplos sistemas de pontuação, alcançando uma precisão de 74,60% que supera os dez melhores sistemas de classificação públicos existentes.
O artigo apresenta o ECoLAD, um protocolo de avaliação orientado à implantação que demonstra como detectores de anomalias clássicos e leves mantêm viabilidade e desempenho sob restrições de CPU em telemetria automotiva, enquanto vários métodos profundos perdem a viabilidade antes de perderem a precisão.
Este artigo propõe o "Historical Consensus Training", um método iterativo que utiliza múltiplas clusterizações de modelos de mistura gaussiana para criar uma barreira histórica no espaço de parâmetros, eliminando permanentemente o colapso posterior em autoencoders variacionais sem depender de restrições arquiteturais ou ajuste de hiperparâmetros.
Este artigo propõe um método prático baseado em estimadores de densidade de kernel (KDE) para quantificar o risco de divulgação de pertencimento em dados sintéticos tabulares, oferecendo uma avaliação de risco mais precisa e eficiente do que abordagens anteriores sem a necessidade de modelos sombra computacionalmente caros.
O artigo propõe o RAD, um novo framework de alinhamento em Aprendizado por Reforço com Feedback Humano (RLHF) que substitui restrições de custo esperado por restrições de Dominância Estocástica de Primeira Ordem dentro de um quadro de Transporte Ótimo, permitindo o controle universal de riscos espectrais e oferecendo maior robustez contra falhas catastróficas e distribuições fora do padrão.
Este artigo apresenta um framework de previsão seletiva para a recuperação de estruturas moleculares a partir de espectros de massa, demonstrando que medidas de incerteza de baixo custo computacional e a aplicação de limites de risco sem distribuição permitem que os modelos abstenham-se de previsões inseguras, garantindo assim uma taxa de erro controlada em aplicações de alto risco.
O artigo apresenta o Scorio, uma biblioteca de código aberto que formaliza e implementa diversos métodos estatísticos para classificar modelos de linguagem de raciocínio sob escalabilidade em tempo de teste, demonstrando que a maioria das abordagens concorda fortemente com um padrão-ouro bayesiano tanto em cenários de múltiplas tentativas quanto de tentativa única.
Este artigo apresenta uma nova abordagem de aprendizado auto-supervisionado para sinais de IMU no pulso que, ao tokenizar o movimento com base na teoria dos submovimentos e pré-treinar um Transformer para reconstrução de segmentos, supera os métodos existentes em reconhecimento de atividades humanas e demonstra maior eficiência em cenários com poucos dados.
O artigo apresenta o Pointy, uma arquitetura leve baseada em transformers que, apesar de ser treinada apenas em 39 mil nuvens de pontos, supera modelos fundacionais maiores e complexos, demonstrando a eficácia de um design cuidadoso e de uma avaliação padronizada no domínio de nuvens de pontos.
O artigo apresenta o TOSSS, um novo benchmark baseado no banco de dados CVE que avalia a capacidade de Grandes Modelos de Linguagem (LLMs) de distinguir entre trechos de código seguros e vulneráveis, atribuindo uma pontuação de segurança que varia de 0 a 1.
Este artigo apresenta o framework FRIEND, que utiliza Aprendizado Federado para otimizar conjuntamente a configuração de múltiplas Superfícies Inteligentes Reconfiguráveis (RIS) e a detecção de eavesdroppers em redes B5G, resultando em um aumento de aproximadamente 30% na taxa de sigilo e garantindo privacidade e eficiência computacional para comunicações IIoT.
Este artigo investiga o uso de Aprendizado Federado para seleção de feixes em constelações de satélites LEO, demonstrando que um modelo de Rede Neural de Grafos supera um Perceptron Multicamadas em precisão e estabilidade, especialmente em baixos ângulos de elevação, permitindo uma gestão de feixes leve e inteligente para futuras redes NTNs.
O artigo demonstra que as camadas MLP em modelos de linguagem transformadores realizam um roteamento binário de sinais contínuos, onde neurônios específicos atuam como um mecanismo de comutação que decide quais tokens necessitam de processamento não linear, explicando assim por que aproximações polinomiais suaves falham em capturar a dinâmica dessas redes.