8576 artigos
O artigo apresenta o HURRI-GAN, uma abordagem inovadora baseada em Redes Adversariais Generativas (GANs) que corrige vieses sistemáticos do modelo de simulação física ADCIRC para prever com precisão impactos de furacões em regiões costeiras além das estações de medição, permitindo previsões mais rápidas e eficientes sem perda de acurácia.
O artigo propõe o Descenso de Gradiente Geodésico (GGD), um otimizador genérico e sem taxa de aprendizado que utiliza esferas n-dimensionais para aproximar a geometria local da função objetivo, garantindo que as trajetórias de atualização permaneçam na hipersuperfície e demonstrando reduções significativas no erro em comparação ao algoritmo Adam em conjuntos de dados como Burgers' e MNIST.
Este estudo avalia como diferentes técnicas de construção de grafos impactam a detecção de botnets IoT usando Redes Neurais de Atenção em Grafos (GAT) e Autoencoders Variacionais (VAE) no conjunto de dados N-BaIoT, demonstrando que a abordagem baseada em Grafos de Gabriel atinge a melhor precisão de 97,56%, superando significativamente outros métodos como o Vizinho Mais Próximo Compartilhado.
Este artigo apresenta o PAG (Projection-Augmented Graph), um novo framework de busca aproximada de vizinhos mais próximos que integra técnicas de projeção a índices gráficos para atender a seis demandas críticas de aplicações de IA moderna, oferecendo desempenho de consulta significativamente superior ao HNSW, indexação rápida, baixo uso de memória e robustez em alta dimensionalidade.
O artigo apresenta o EnsAug, uma nova abordagem que supera os métodos tradicionais de aumento de dados ao treinar um conjunto de modelos especialistas, cada um focado em uma transformação geométrica distinta, resultando em maior precisão e eficiência na análise de sequências de movimento humano.
O artigo apresenta o HyperTokens, um gerador de tokens baseado em transformadores que controla dinamicamente a atualização de prompts em modelos de linguagem multimodal para compreensão contínua de vídeo, utilizando regularizadores inspirados em meta-aprendizado e supervisão auxiliar multimodal para reduzir o esquecimento e melhorar a retenção de tarefas.
Este artigo apresenta o ERP-RiskBench, um novo framework experimental e reprodutível para detecção de riscos financeiros em sistemas ERP, que utiliza um ensemble de aprendizado de máquina com protocolos rigorosos de prevenção de vazamento de dados para superar as limitações de estudos anteriores e fornecer um modelo robusto e interpretável para auditoria e governança.
Este artigo propõe um autoencoder CNN não supervisionado com uma função de perda de distância angular espectral ponderada (WSAD) para realizar a separação cega de imagens hiperespectrais de micro-FTIR em seções transversais de pinturas a óleo históricas, permitindo uma análise automatizada e mais interpretável dos materiais constituintes, como demonstrado no caso do Políptico de São Bavo.
Este artigo demonstra que o uso de Redes Neurais em Grafos (GNNs) para estimar o momento de múons no experimento CMS supera modelos tradicionais como o TabNet, destacando a importância da dimensão das características dos nós para a eficiência do modelo.
Este trabalho apresenta um modelo híbrido de classificação baseado em aprendizado de poucos exemplos e inteligência artificial explicável (XAI) que integra redes Siamesas e Prototípicas com Grad-CAM para diagnosticar com alta precisão e transparência doenças em folhas de milho, arroz e trigo, mesmo com dados anotados limitados.
O artigo propõe o PRPO, um método de otimização de política relativa paralela para resolver conflitos de treinamento em LVLMs voltados a gráficos, e o MCDR-Bench, um novo benchmark para avaliação objetiva de capacidades de pesquisa profunda, estabelecendo assim um quadro unificado para avançar a inteligência de dados em visualizações.
Este artigo propõe uma estratégia plug-and-play que combina um passo de remoção de ruído reverso adicional com amostragem Monte Carlo para reduzir erros de estimativa e melhorar a qualidade da geração guiada em modelos de difusão baseados em equações diferenciais estocásticas, demonstrando eficácia em diversas tarefas como geração de trajetórias, resolução de problemas inversos de imagem e design molecular.
Este artigo apresenta um novo quadro de aprendizado não supervisionado, baseado em filtragem por convolução e redes neurais com estratégias de parada antecipada, que permite a reconstrução de alta fidelidade de imagens de feixes de partículas e a detecção de halos além de sete desvios padrão em condições de dados ruidosos e sem conjuntos de treinamento.
O artigo propõe a Regularização de Equivariância Suave (SER), um método plug-in que desacopla a imposição de invariância e equivariância em diferentes camadas de redes de aprendizado auto-supervisionado, melhorando significativamente o desempenho em tarefas de classificação, robustez a perturbações e detecção de objetos sem a necessidade de cabeças auxiliares ou rótulos de transformação.
O artigo propõe um framework de MLLM consciente da câmera que, ao integrar parâmetros intrínsecos, aplicar aumento de dados sintéticos e destilar prios geométricos, supera as abordagens baseadas apenas em RGB para alcançar uma generalização robusta em tarefas de inteligência espacial entre diferentes câmeras.
Este estudo demonstra que a aplicação de regressão quantílica conformalizada a modelos de aprendizado profundo para previsão de erupções solares melhora significativamente a confiabilidade das previsões ao gerar intervalos de confiança com maior cobertura e comprimentos mais favoráveis.
O artigo apresenta o ATLAS, um framework de ajuste fino por reforço que permite que modelos de linguagem pequenos operem eficazmente em grandes ecossistemas de ferramentas, tratando o controle de contexto e a estrutura de execução como decisões aprendíveis e utilizando um refinamento baseado em rubricas para superar limitações de contexto e recompensas esparsas.
Este artigo apresenta um pipeline integrado que combina geração de alta fidelidade e auditoria automatizada com modelos de linguagem para produzir trajetórias de pacientes sintéticos clinicamente consistentes e seguros, superando as limitações de métodos anteriores e permitindo o treinamento eficaz de modelos downstream sem riscos de privacidade.
O artigo apresenta o ProtAlign, um framework de aprendizado contrastivo que alinha sequências e estruturas de proteínas em um espaço de representação compartilhado, superando as limitações dos métodos tradicionais e melhorando tarefas como recuperação cruzada, anotação funcional e estimativa de estabilidade.
Este artigo apresenta um framework de fusão com feedback bidirecional que integra dados ambientais e comportamentais para melhorar a previsão de CO2 e PM2.5 em ambientes internos, superando os modelos tradicionais ao capturar dinâmicas complexas e oferecer estimativas de incerteza interpretáveis.