8636 artigos
Este artigo propõe um quadro teórico e empírico para treinar políticas robustas em POMDPs com estados latentes iniciais adversários, demonstrando que a exposição direcionada a distribuições latentes deslocadas reduz significativamente as vulnerabilidades de pior caso, conforme validado por garantias de amostra finita e testes no jogo Battleship.
Este artigo discute a proposta inusitada de atribuir a uma inteligência artificial avançada o objetivo principal de ser desligada como uma solução para o risco de ela impedir sua própria desativação, analisando as condições sob as quais essa abordagem seria benéfica.
O artigo apresenta o ShakyPrepend, um método de aprendizado multi-grupo que utiliza ferramentas inspiradas em privacidade diferencial para obter garantias teóricas aprimoradas e se adaptar à estrutura de grupos e heterogeneidade espacial.
O artigo apresenta o framework de Transição de Hierarquia de Normas (NHT), que explica como a regularização por peso (weight decay) guia redes neurais a abandonar gradualmente soluções de atalho de alta norma em favor de representações estruturadas de baixa norma, unificando fenômenos como o "grokking" e o aprendizado tardio de características sob um mecanismo comum de travessia hierárquica de normas.
Este artigo apresenta e valida experimentalmente uma abordagem de detecção de interferência em redes 5G baseada na Máquina Tsetlin Convolutiva (CTM), que, ao operar diretamente em blocos de sinal de sincronização, oferece uma alternativa leve, explicável e eficiente em hardware em comparação com redes neurais convolucionais, alcançando desempenho comparável com treinamento significativamente mais rápido e menor consumo de memória.
O artigo apresenta o M-CBM, uma nova abordagem para Modelos de Gargalo de Conceitos que extrai e nomeia conceitos diretamente de modelos de caixa-preta usando Autoencoders Esparsos e LLMs multimodais, superando os métodos anteriores em precisão e interpretabilidade ao garantir controle rigoroso sobre o vazamento de informações.
Este artigo propõe um framework de aprendizado de representações invariantes à prática clínica que, ao combinar minimização de risco supervisionada com regularização adversária e penalidades de risco invariante, melhora significativamente a robustez e a transferência de modelos de previsão clínica sob mudanças sistemáticas de distribuição entre instituições.
O artigo propõe o DistGP, um método de aprendizado colaborativo multi-robô baseado em um processo gaussiano esparsificado que permite treinamento distribuído e assíncrono via propagação de crenças gaussianas, alcançando desempenho superior a abordagens existentes em cenários com conectividade dinâmica e comunicação esparsa.
O AgrI Challenge é uma competição centrada em dados que introduz o paradigma de Validação entre Equipes (CTV) para avaliar a generalização de modelos de visão agrícola em cenários reais, demonstrando que o treinamento colaborativo com dados coletados independentemente por múltiplas equipes reduz significativamente as lacunas de generalização em comparação com o treinamento em fonte única.
Este artigo propõe o uso de priores generativos com complexidade ajustável, baseados em técnicas como *nested dropout*, para superar as limitações de modelos de complexidade fixa em problemas inversos como compressão de sensores e remoção de ruído, demonstrando empiricamente e teoricamente reconstruções mais precisas e adaptadas ao nível de ruído.
O artigo apresenta o N-Tree Diffusion, um modelo de difusão hierárquico que otimiza a previsão probabilística de longo prazo de riscos de incêndio florestal ao compartilhar estágios iniciais de denoising e ramificar para refinamentos específicos, resultando em maior precisão e menor custo computacional em comparação com abordagens tradicionais.
Este artigo investiga as leis de escalonamento no regime de modelos extremamente pequenos (sub-20M parâmetros), revelando que, ao contrário do observado em modelos maiores, a redução de tamanho altera qualitativamente a estrutura dos erros, melhora a calibração e satura mais rapidamente, demonstrando que a validação de desempenho para dispositivos de borda deve ocorrer especificamente no tamanho alvo do modelo.
Este artigo propõe uma estrutura de Aprendizado por Reforço Multiagente Hierárquico (HMARL) para sistemas mmWave que elimina a necessidade de estimativa de CSI ao utilizar dados de localização de usuários, alcançando ganhos significativos de RSSI e escalabilidade através de uma abordagem de treinamento centralizado com execução descentralizada.
O artigo apresenta o ConfHit, uma estrutura de design generativo livre de distribuições que fornece garantias estatísticas de validade para a descoberta de fármacos sem depender de oráculos experimentais, permitindo certificar que um lote gerado contém pelo menos uma molécula promissora e refinar esse conjunto mantendo a confiança estatística.
Este artigo investiga a estimativa de qualidade de tradução automática para línguas indicas em cenários de baixo recurso, demonstrando que a adaptação de camadas intermediárias de modelos de linguagem (como ALOPE e LoRMA) supera abordagens puramente baseadas em prompts, especialmente em domínios de alto risco, e disponibiliza conjuntos de dados e código para pesquisa futura.
Este artigo propõe uma explicação fundamentada para a generalização fora de distribuição (OOD) baseada na esparsidade de hipóteses em relação a características distinguíveis, formalizando essa intuição em um teorema que estende os limites clássicos de complexidade de amostra ao contexto OOD e generaliza classificadores esparsos para "juntas" em subespaços.
Este artigo apresenta o MARIGOLD, um novo framework unificado que resolve problemas de aprendizado multi-tarefa de forma eficiente ao modelar o equilíbrio de gradientes como um problema de otimização bi-nível e aplicando métodos de ordem zero para superar as limitações computacionais de abordagens anteriores.
O artigo propõe um sistema de triagem jurídica determinístico e reprodutível, baseado em codificadores duplos e faixas de fuzzy calibradas, que equilibra a precisão de modelos de aprendizado de máquina com a transparência necessária para conformidade legal e auditoria em tarefas de classificação e recuperação de evidências.
Este trabalho generaliza o objetivo do Autoencoder Linear com Foco em Desruído (EDLAE) para uma Perda Quadrática Esperada Desacoplada (DEQL), permitindo soluções eficientes para parâmetros que superam o desempenho do modelo original com em sistemas de recomendação.
Este artigo propõe um novo quadro teórico baseado na "Capacidade do Canal de Contexto" para explicar e prever o esquecimento catastrófico na aprendizagem contínua, demonstrando que arquiteturas que garantem um caminho de contexto estruturalmente obrigatório (como HyperNetworks) superam as limitações teóricas de métodos baseados em algoritmos e alcançam a retenção perfeita de tarefas.