2316 artigos
Este artigo propõe um método de reparo de dados baseado em transporte ótimo e regras de parada não paramétricas bayesianas para mitigar o viés de representação em subgrupos sub-representados e permitir a aplicação de correções justas em dados fora da amostra, equilibrando a justiça com a preservação da qualidade dos dados.
Este artigo propõe um método de aprendizado de representação não supervisionado que fatora transformações de variáveis latentes em componentes esparsos, decompondo um modelo de fluxo de probabilidade em campos vetoriais rotacionais e potenciais para gerar representações disjuntas que alcançam resultados de ponta em verossimilhança de dados e erros de equivariância aproximada.
Este trabalho propõe uma abordagem baseada em otimização diferenciável e funções de barreira de controle para aprender, a partir de dados, alocações de responsabilidade que quantificam como agentes autônomos ajustam seu comportamento para garantir interações seguras e socialmente alinhadas.
Este artigo propõe uma nova abordagem para obter aproximações de métricas de Ricci-plano em variedades de Calabi-Yau, combinando o algoritmo de Donaldson com técnicas de aprendizado de máquina que utilizam descida de gradiente em variedades de Grassmannian e no fibrado de métricas hermitianas, validada na família de Dwork de três-variedades.
Este artigo propõe e analisa dois estimadores de subamostragem (Amostragem por Importância Adaptativa e Subamostragem Estratificada) para regressão esparsa de alta dimensão robusta sob ruído pesado, contaminação e dependência, fechando a lacuna entre teoria e algoritmo ao estabelecer taxas ótimas minimax, intervalos de confiança válidos e superioridade empírica sobre métodos uniformes.
O artigo propõe as Redes Neurais de Passagem de Mensagens Escaláveis (SMPNNs), que substituem o mecanismo de atenção por convolução padrão em blocos Transformer com normalização pré-camada, permitindo redes profundas de alto desempenho para aprendizado em grandes grafos sem o custo computacional da atenção e com fundamentação teórica sobre a necessidade de conexões residuais para evitar o sobre-suavização.
O artigo propõe o SPDIM, uma estratégia de otimização em variedades Riemannianas que utiliza o princípio de maximização de informação para adaptar modelos de EEG em cenários sem fontes de dados rotulados, superando as limitações de métodos anteriores ao lidar eficazmente com deslocamentos de rótulos e de distribuição.
Este artigo propõe uma estrutura de prognóstico não supervisionada para habitats de espaço profundo que, utilizando dados de falha sem rótulos, identifica simultaneamente modos de falha latentes e seleciona sensores informativos para prever a vida útil restante com maior precisão.
O artigo apresenta o MS-HGNN, uma rede neural gráfica heterogênea que incorpora estruturas cinemáticas e simetrias morfológicas como restrições de aprendizado para garantir alta generalização e eficiência no aprendizado da dinâmica de robôs, com validação experimental em robôs quadrúpedes.
O artigo apresenta o CuriousBot, um sistema que utiliza um grafo de objetos relacionais 3D para superar as limitações da exploração móvel baseada apenas em percepção, permitindo que robôs interajam ativamente com o ambiente em espaços complexos e superando métodos que dependem exclusivamente de modelos de linguagem e visão.
Este artigo demonstra que modelos simples baseados em "impressões digitais" moleculares (fingerprint) superam abordagens complexas de redes neurais e transformers na previsão de funções peptídicas, desafiando a premissa de que a modelagem de interações de longo alcance é essencial para essa tarefa.
Este artigo apresenta o Astromer 2, um modelo fundamental aprimorado para análise de curvas de luz que, ao ser pré-treinado de forma auto-supervisionada no levantamento MACHO, supera significativamente seu predecessor e modelos anteriores em tarefas de classificação, especialmente em cenários com dados rotulados limitados.
Este artigo propõe um quadro unificado para avaliar como a personalização de modelos de aprendizado de máquina afeta simultaneamente a precisão preditiva e a explicabilidade, revelando que esses impactos podem divergir e estabelecendo limites teóricos para determinar quando efeitos de personalização são estatisticamente testáveis em conjuntos de dados reais.
Este artigo introduz o conceito de "assinatura espacial" de um conjunto de dados para mapear pontos em um espaço de baixa dimensão onde utilidades se tornam funcionais lineares, permitindo uma metodologia prática com métrica explícita para avaliar e garantir a robustez da valoração de dados baseada em semivalores frente a mudanças na escolha da utilidade.
Este artigo apresenta um framework integrado de Real2Sim2Real que utiliza inferência sem verossimilhança para estimar distribuições de parâmetros físicos de objetos lineares deformáveis (DLOs) a partir de dados visuais e proprioceptivos, permitindo o treinamento de políticas visuomotoras em simulação que são transferidas com sucesso para o mundo real de forma zero-shot.
O artigo apresenta o método de Reescalamento de Importância de Recursos (FIR), uma abordagem teoricamente fundamentada que melhora a avaliação da qualidade de agrupamento em misturas gaussianas ruidosas ao ajustar as contribuições dos recursos, reduzindo o impacto de características irrelevantes e aumentando a robustez dos índices de validação em cenários sem rótulos externos.
Este artigo apresenta o conceito de "unidades funcionais" como uma nova perspectiva para superar os desafios da descoberta de materiais baseada exclusivamente em dados, facilitando a transição do paradigma tradicional "composição-microestrutura" para um novo paradigma orientado por IA que integra a caracterização multiescala e a herança de conhecimento.
O artigo apresenta o HyConEx, um classificador baseado em hiperredes profundas para dados tabulares que, de forma inovadora, combina previsões de classe e a geração de exemplos contrafactuais locais para explicar as decisões do modelo em uma única rede neural.
Este artigo investiga empiricamente a construção de árvores de modelo globalmente ótimas utilizando programação linear inteira mista, demonstrando que elas alcançam precisão competitiva com árvores muito menores em comparação aos métodos tradicionais de crescimento ganancioso.
Este artigo propõe uma crítica consequencialista à avaliação de classificação binária, defendendo a adoção de regras de pontuação adequadas como o escore Brier em vez de métricas de limiar fixo, e oferece um novo framework teórico, uma variante do escore Brier e a ferramenta prática `briertools` para alinhar a avaliação de modelos de aprendizado de máquina com a utilidade decisória real.