2316 artigos
Este artigo propõe uma abordagem que desacopla a quantificação de incertezas da arquitetura da rede neural, integrando a distribuição de parâmetros do modelo como entrada via amostragem MCMC para criar emuladores eficientes e agnósticos que replicam a precisão estatística dos modelos físicos com custo computacional drasticamente reduzido.
O artigo "ForwardFlow" propõe um método de inferência estatística baseado em simulação que utiliza uma rede neural profunda única para resolver o problema inverso de estimação de parâmetros, demonstrando propriedades desejáveis como exatidão em amostras finitas, robustez a contaminação de dados e capacidade de aproximar automaticamente algoritmos complexos como o EM.
Este artigo apresenta uma abordagem unificada de Otimização Bayesiana baseada em Processos Gaussianos, que acelera a busca por pontos estacionários em superfícies de energia potencial através de um ciclo de seis etapas adaptável, técnicas avançadas de amostragem e regularização, e uma implementação prática em Rust que demonstra a eficiência e a escalabilidade do método.
O artigo propõe uma abordagem de aprendizado de máquina baseada em campos neurais fatorizados para a decomposição espectral do operador de Koopman, permitindo a previsão precisa e estável de dinâmicas físicas paramétricas complexas em horizontes temporais longos, com generalização para parâmetros não vistos e análise espectral, sem depender de equações governantes explícitas.
Este estudo valida a reprodutibilidade do mapeamento de eletrofisiologia para transcriptômica em interneurônios GABAérgicos do córtex, demonstrando que modelos de sequência baseados em atenção podem igualar baselines tradicionais e que o aprendizado por transferência de dados de camundongos para humanos melhora a previsão de subclasses celulares.
Este artigo apresenta a Quantização Vetorial de Rede de Leech (LLVQ), um algoritmo prático e altamente eficiente que utiliza a estrutura matemática ótima da rede de Leech em 24 dimensões para comprimir modelos de linguagem grandes (LLMs), superando os métodos atuais ao eliminar a necessidade de armazenamento explícito de códigos e oferecer desempenho de quantização de ponta.
O artigo apresenta o V2M-Zero, um método inovador de geração de música sincronizada com vídeos que, ao alinhar as curvas de eventos temporais de cada modalidade de forma independente, alcança resultados superiores aos modelos baseados em dados pareados sem exigir treinamento cruzado ou pares de dados.
O artigo apresenta o NeFTY, um framework de física diferenciável que utiliza campos neurais para realizar a reconstrução quantitativa 3D de propriedades materiais e a localização de defeitos subsuperficiais a partir de medições térmicas, superando as limitações de métodos tradicionais e redes PINNs em cenários de difusão transitória.
O artigo propõe o XConv, uma camada de convolução de substituição direta que reduz significativamente o uso de memória durante o treinamento de redes neurais convolucionais ao armazenar ativações comprimidas e aproximar gradientes via estimativa de traço aleatória, mantendo a compatibilidade com arquiteturas existentes e garantindo desempenho comparável aos métodos de gradiente exato.
Este artigo apresenta uma revisão sistemática do Aprendizado Federado Descentralizado (DFL) de 2018 a 2026, organizando os métodos em famílias arquitetônicas, propondo uma taxonomia baseada em desafios, analisando práticas de avaliação e delineando direções futuras para pesquisas em segurança, privacidade e incentivos em ambientes descentralizados.
Este artigo supera as limitações matemáticas anteriores ao provar, utilizando avanços no problema da soma de subconjuntos multidimensional, que redes neurais convolucionais superparametrizadas contêm sub-redes estruturadas que podem aproximar redes menores sem treinamento, estabelecendo assim o primeiro limite sub-exponencial para o Hipótese da Bilhete de Loteria Forte no contexto de poda estruturada.
Este artigo apresenta um novo método de agrupamento de grafos baseado em filtros prováveis que, ao identificar e separar arestas homófilas e heterófilas para capturar informações holísticas e realçar características relevantes, supera os métodos atuais tanto em grafos homófilos quanto heterófilos, oferecendo uma solução teórica e prática para a disparidade estrutural encontrada em grafos do mundo real.
Este artigo apresenta um framework baseado em aprendizado profundo que combina a descoberta de coordenadas e mapas de fluxo para criar uma abordagem de avanço temporal precisa e computacionalmente eficiente, capaz de simular sistemas multiescala complexos com alta acurácia e menor custo computacional.
Este trabalho propõe uma abordagem de detecção de grupos-alvo justa e multi-grupo para discussões online, demonstrando que ela reduz o viés entre grupos e supera o desempenho de modelos existentes, especialmente no contexto da detecção de toxicidade onde o contexto é fundamental.
Este artigo propõe e avalia uma solução de aprendizado por reforço baseada em Q-learning multiagente distribuído para atualizações de mapas de alta definição em redes veiculares, demonstrando que essa abordagem reduz a carga computacional e melhora significativamente a latência em comparação com métodos de agente único.
O artigo apresenta os Processos de Student-t Variacionais Esparsos (SVTP), um novo framework que estende o método de pontos induzidos esparsos para processos de Student-t, oferecendo algoritmos de inferência escaláveis e robustos que superam os Processos Gaussianos Esparsos na modelagem de dados com caudas pesadas e outliers, mantendo eficiência computacional em grandes conjuntos de dados.
O artigo apresenta o HYGENE, o primeiro método baseado em difusão e aprendizado profundo para gerar hipergrafos realistas e diversos através de uma abordagem de expansão local progressiva sobre sua representação bipartida.
Este artigo propõe um quadro unificado que modela a quantização e a esparsificação como ruído aditivo e introduz uma transformada de dequantização por dedução para estabelecer um caminho de gradiente explícito, permitindo o treinamento estável e robusto de redes neurais em precisões arbitrárias e níveis de esparsidade, incluindo regimes sub-bit e A1W1.
O artigo apresenta o ARLBench, um benchmark eficiente e flexível para otimização de hiperparâmetros em Aprendizado por Reforço que permite a comparação de diversas abordagens automatizadas utilizando um subconjunto representativo de tarefas, reduzindo drasticamente a necessidade de recursos computacionais e facilitando pesquisas mais acessíveis e generalizáveis.
O artigo apresenta o DRUPI, um método de condensação de dados que melhora o desempenho de modelos ao sintetizar informações privilegiadas (como rótulos de características ou atenção) junto com o conjunto de dados reduzido, oferecendo supervisão auxiliar que supera as abordagens tradicionais baseadas apenas em pares de dados e rótulos.