8660 artigos
Este artigo investiga como o decaimento excessivo da taxa de aprendizado em algoritmos gananciosos para aprendizado esparsos leva à estagnação estrutural, mesmo em configurações de baixa dimensão, demonstrando que a coerência das características desempenha um papel crucial na definição de limites inferiores para o erro de resíduo.
Este trabalho propõe o "Deep Incentive Design" (DID), uma nova estrutura diferenciável que utiliza blocos de equilíbrio diferenciáveis (DEBs) para automatizar o projeto de incentivos em interações multiagentes, resolvendo com sucesso tarefas desafiadoras como design de contratos, agendamento de máquinas e problemas de equilíbrio inverso através de uma única rede neural treinada.
O artigo apresenta o Reverse Distillation, um framework que melhora consistentemente o desempenho de modelos de linguagem proteica ao decompor suas representações em subespaços ortogonais guiados por modelos menores, garantindo que modelos maiores superem os menores em tarefas específicas.
Este artigo propõe um framework leve de Controle Preditivo Modelado (MPC) para anúncios de marca que utiliza regressão isotônica online para construir modelos monotônicos diretamente de dados em fluxo, eliminando a necessidade de modelos complexos de aprendizado de máquina e melhorando significativamente a eficiência de gastos e o controle de custos em comparação com estratégias de base.
O artigo propõe o FedShift, um novo ataque adversarial distribuído de duas etapas ("Esconder e Encontrar") para Aprendizado Federado em Grafos que injeta um "deslocador" oculto para garantir furtividade durante o treinamento e utiliza informações globais para gerar perturbações eficientes, demonstrando alta eficácia, robustez contra defesas e redução de custo computacional em comparação com métodos existentes.
O artigo propõe a Modelagem Generativa com Portão de Incerteza (UGGM), um framework que utiliza a incerteza como sinal de controle interno para melhorar a previsão de séries temporais financeiras, demonstrando reduções significativas no erro quadrático médio e maior robustez em cenários de choque ao ser implementado no modelo UG-WIAE-GPF.
Este trabalho apresenta o GANRA, um novo solver SMT que combina Grandes Modelos de Linguagem (LLMs) e aceleração por GPU para resolver problemas de aritmética real não linear, demonstrando melhorias significativas em relação ao estado da arte, especialmente no benchmark Sturm-MBO.
O artigo apresenta o MicroCoder-GRPO, uma abordagem aprimorada de Otimização de Política Relativa de Grupo que supera os gargalos de treinamento em modelos de geração de código por meio de três inovações técnicas, resultando em ganhos significativos de desempenho no LiveCodeBench v6 e no fornecimento de um novo conjunto de dados desafiador e de um avaliador mais robusto.
Este artigo propõe um método de aprendizado de Lindbladianos baseado em equações diferenciais neurais e máxima verossimilhança que, explorando dados de medição em tempos transitórios, infere com robustez os geradores dinâmicos de sistemas quânticos abertos de vários corpos, superando desafios como ruído e a indistinguibilidade entre mecanismos coerentes e dissipativos.
O artigo apresenta o MicroCoder, um conjunto de dados curado de problemas de programação competitiva recentes e desafiadores, que, ao empregar um framework de processamento de dados com filtragem automática de dificuldade baseada em IA, demonstrou melhorar significativamente o desempenho de modelos de geração de código em tarefas complexas em comparação com conjuntos de dados existentes.
O artigo apresenta o ProgAgent, um agente de aprendizado por reforço contínuo que combina recompensas baseadas no progresso de demonstrações humanas não rotuladas com uma arquitetura nativa JAX de alto desempenho, superando o esquecimento catastrófico e alcançando maior estabilidade e velocidade de aprendizado do que agentes com memória perfeita em tarefas robóticas complexas.
Este artigo investiga a perda de plasticidade em Vision Transformers (ViTs), identificando que os módulos de atenção e feed-forward degradam-se de forma distinta, e propõe o otimizador ARROW, que preserva a capacidade de aprendizado contínuo ao adaptar geometricamente as direções dos gradientes, superando métodos tradicionais de re-inicialização.
Este artigo demonstra que uma única função de custo agnóstica a sujeitos e posturas, cujos pesos variam no tempo e priorizam a regulação da aceleração articular, pode prever com alta precisão os movimentos de alcance humanos, apoiando a existência de um princípio unificado de otimalidade para esse tipo de movimento.
Este artigo propõe um novo framework de aprendizado profundo baseado em espaços projetivos complexos para precodificação em sistemas MU-MISO, que elimina redundâncias de fase global e demonstra melhorias significativas no desempenho da taxa de soma e na generalização em comparação com métodos convencionais.
Este trabalho apresenta um método para construir espaços de incorporação de baixa dimensão para equações diferenciais parciais não lineares, como a equação de Burgers viscosa, utilizando uma rede neural com corpo compartilhado e cabeças lineares ortogonais para extrair uma decomposição em componentes principais robusta e fisicamente interpretável que captura as características dominantes da dinâmica com poucas modos latentes.
Este estudo demonstra que, para a estimativa de biomassa de pastagens em conjuntos de dados escassos, a qualidade da pré-treinagem do backbone (como a atualização para DINOv3) e o uso de módulos de fusão locais e simples (como convoluções profundas) superam significativamente arquiteturas complexas baseadas em atenção ou SSMs, estabelecendo diretrizes para priorizar a robustez do backbone em detrimento da complexidade da fusão.
Este artigo apresenta uma nova estrutura de aprendizado por transferência baseada em otimização bi-nível que combina um extrator de características universal treinado em dados heterogêneos com um adaptador específico para domínio, permitindo a reconstrução de alta qualidade de imagens de ressonância magnética subamostradas mesmo com dados de treinamento limitados.
Este trabalho apresenta o Gradient Iterated Temporal-Difference learning, um novo algoritmo que modifica a aprendizagem iterada de TD ao calcular gradientes sobre alvos móveis, resultando em um método de TD baseado em gradiente que demonstra velocidade de aprendizagem competitiva com métodos semi-gradiente em diversos benchmarks, incluindo jogos Atari.
O artigo "Guess & Guide" propõe um método leve e sem gradiente para guiar modelos de difusão pré-treinados na resolução de problemas inversos bayesianos, eliminando a necessidade de retropropagação para reduzir drasticamente o custo computacional e alcançar desempenho superior em diversas tarefas.
O artigo apresenta o ReGEN-TAD, um framework generativo interpretável que combina arquiteturas híbridas de aprendizado de máquina e diagnósticos econométricos para detectar anomalias em séries temporais financeiras de alta dimensão, oferecendo pontuações unificadas sem dados rotulados e atribuição coerente de fatores econômicos.