8570 artigos
O artigo apresenta o STAR Set Transformer, um modelo que melhora a previsão em séries temporais clínicas assimétricas ao incorporar vieses de atenção suaves para capturar a localidade temporal e a compatibilidade entre variáveis, superando as abordagens baseadas em grades e conjuntos de pontos em tarefas de cuidados intensivos.
O artigo apresenta o LegoNet, uma técnica de compressão que agrupa pesos em blocos para reduzir a pegada de memória de modelos como o ResNet-50 em até 128 vezes sem necessidade de retreinamento, alteração de arquitetura ou perda significativa de precisão.
Este artigo apresenta uma abordagem sistemática para avaliar algoritmos de aprendizado por reforço multiagente na alocação de recursos em redes C-V2X, utilizando um conjunto de benchmarks e dados gerados por simulação para identificar que a robustez e a generalização das políticas em topologias veiculares diversas são os principais desafios, demonstrando também a superioridade de métodos ator-crítico sobre abordagens baseadas em valor.
Este artigo apresenta o "Two-Bridge Map Suite", um novo benchmark de código aberto para StarCraft II que preenche a lacuna entre o jogo completo e os mini-jogos ao isolar habilidades táticas essenciais como navegação e combate, permitindo pesquisas de aprendizado por reforço acessíveis e eficientes em termos computacionais.
Este artigo apresenta um método prático que combina o Teste de Randomização Condicional (CRT) com o modelo fundacional TabPFN para realizar inferência de nível de recurso com validade estatística em amostras finitas, fornecendo valores-p para relevância condicional de recursos em dados tabulares sem necessidade de retreinamento ou suposições paramétricas.
O artigo apresenta o CapTrack, um novo framework centrado em capacidades que redefine o esquecimento em modelos de linguagem pós-treinamento como uma deriva comportamental sistemática e demonstra, através de um estudo em larga escala, que esse fenômeno afeta significativamente a robustez e os comportamentos padrão, variando conforme o algoritmo e a família do modelo.
O artigo apresenta o DeepScope, uma solução baseada em aprendizado profundo que analisa imagens microscópicas de amostras de água não incubadas para detectar contaminação fecal em segundos com custo de US$ 0,44 e alta precisão, superando os requisitos da UNICEF e eliminando a necessidade de longos períodos de incubação.
O artigo demonstra que, ao contrário de domínios com verificadores externos, estratégias de consenso baseadas em múltiplas amostras de modelos de linguagem não melhoram a veracidade em domínios sem verificação, pois os erros dos modelos são fortemente correlacionados e as agregações tendem a reforçar concepções errôneas compartilhadas em vez de identificar a verdade.
O artigo apresenta o OptiRoulette, um meta-otimizador estocástico que seleciona dinamicamente regras de atualização durante o treinamento, demonstrando convergência mais rápida e confiável com ganhos significativos de precisão em múltiplos conjuntos de dados de classificação de imagens em comparação ao AdamW.
Este artigo propõe uma representação unificada para modelos de difusão e flow matching, demonstrando teoricamente que a correlação entre os dados ruidosos e o alvo previsto pode ser fraca, o que pode comprometer o processo de aprendizado desses modelos.
O artigo propõe o framework Annealed Co-Generation (ACG), que substitui a modelagem conjunta de alta dimensão por modelos de difusão bivariados acoplados através de um processo de recozimento em três estágios, permitindo a geração coerente de variáveis multivariadas com menor custo computacional e desequilíbrio de dados, conforme demonstrado em tarefas de completamento de campos de fluxo e geração de anticorpos.
O artigo apresenta o RACER, um método inovador de roteamento para grandes modelos de linguagem que formula a seleção como um problema de minimização de conjunto com controle de risco, permitindo a agregação de múltiplos modelos para melhorar a precisão e garantir limites rigorosos de erro em dados não vistos.
O artigo apresenta o Evo, um modelo de linguagem de grande escala inovador que unifica as abordagens autoregressiva e de difusão em um único fluxo latente evolutivo, permitindo um equilíbrio adaptativo entre planejamento e refinamento para alcançar resultados de ponta em diversas tarefas com eficiência de inferência.
Este artigo propõe um novo framework de aprendizado de representação consciente da topologia, que utiliza modelos fundamentais específicos de domínio, tokenização de grafos e aprendizado por contraste com distilação de conhecimento para superar as limitações atuais e realizar previsões de interação zero-shot em Redes Biológicas Multiplex.
O artigo apresenta o NAT (Not All Tokens Are Needed), um framework de aprendizado por reforço que otimiza o custo computacional ao atualizar a política apenas com um subconjunto de tokens gerados via reponderamento de Horvitz-Thompson, mantendo o desempenho em raciocínio matemático enquanto reduz significativamente o uso de memória e tempo de treinamento.
O artigo apresenta o GraphSkill, um framework de codificação com recuperação aumentada hierárquica guiada por documentação e agente de autodepuração, que supera as limitações de métodos existentes ao explorar a estrutura hierárquica de documentos técnicos e corrigir erros lógicos, validado por meio de um novo dataset e experimentos que demonstram maior precisão e menor custo de inferência em raciocínio complexo sobre grafos.
Este artigo demonstra que os Modelos de Recompensa de Processo (PRMs) atuais são sistematicamente exploráveis por adversários, revelando que eles funcionam mais como detectores de fluência do que como verificadores de raciocínio, e propõe um novo framework de diagnóstico e ferramentas para avaliar sua robustez antes da implantação.
Este artigo avalia empiricamente modelos estatísticos e de aprendizado profundo para previsão de carga de energia, demonstrando que a arquitetura Transformer, baseada em mecanismos de atenção, supera modelos tradicionais como ARIMA e LSTM ao alcançar a maior precisão e robustez na previsão de consumo de energia da PJM.
Esta pesquisa oferece uma revisão abrangente do Flow-GRPO, detalhando seus avanços metodológicos e suas extensões em diversas modalidades generativas, posicionando-o como um quadro geral para o alinhamento de modelos de geração de grande escala com preferências humanas.
O artigo apresenta a Teoria do Espaço de Exploração (EST), uma estrutura formal baseada em reticulados que adapta a Teoria do Espaço de Conhecimento para sistemas de recomendação de localização, garantindo matematicamente que as sugestões respeitem dependências de pré-requisitos entre pontos de interesse e ofereçam explicações estruturais válidas.