2316 artigos
O artigo apresenta o CDGLT, um novo quadro de trabalho eficiente que utiliza o ajuste de LayerNorm guiado por deriva de conceitos para melhorar a identificação de metáforas multimodais, alcançando desempenho de última geração no benchmark MET-Meme com custos de treinamento reduzidos.
O artigo apresenta o Stepwise Guided Policy Optimization (SGPO), uma nova abordagem que mitiga a limitação do GRPO em grupos de amostras inteiramente incorretas ao introduzir diversidade de respostas via um modelo julgador passo a passo, acelerando assim o aprendizado de modelos de linguagem grandes em tarefas de raciocínio sem exigir que o julgador gere soluções corretas.
O artigo apresenta a Máquina de Boltzmann Restrita Gaussiana-Multinomial (GM-RBM), uma extensão do modelo Potts que substitui unidades ocultas binárias por categóricas de q-estados para melhorar a representação de conceitos multivariados, demonstrando através de benchmarks que essa abordagem discreta oferece desempenho competitivo e superior em tarefas de memória estruturada e raciocínio analógico em comparação com modelos contínuos de capacidade equivalente.
O artigo propõe o JULI, um método que quebra a segurança de Grandes Modelos de Linguagem (LLMs) em cenários de caixa-preta ao manipular as probabilidades logarítmicas dos tokens por meio de um pequeno bloco chamado BiasNet, alcançando eficácia superior mesmo com acesso limitado apenas aos top-5 tokens previstos.
Este artigo propõe um método para descobrir equações diferenciais simbólicas a partir de dados, utilizando invariantes de simetria como entidades atômicas para garantir que as equações recuperadas respeitem as leis físicas conhecidas, melhorando assim a precisão e a eficiência de técnicas existentes como regressão esparsa e programação genética.
O artigo apresenta o UltraEdit, um método de edição de modelos de linguagem que dispensa treinamento, dados de sujeitos e memória, permitindo atualizações de conhecimento em tempo real com alta eficiência e escalabilidade em GPUs de consumo, além de introduzir o UltraEditBench, o maior conjunto de dados do campo com mais de 2 milhões de pares de edição.
Este artigo apresenta uma metodologia sistemática para avaliar modelos de linguagem de grande escala (LLMs) em dispositivos de borda, demonstrando que modelos maiores com quantização pesada superam os menores de alta precisão a partir de um limiar de ~3,5 bits por peso, ao mesmo tempo que oferece diretrizes para otimizar o desempenho sob restrições de recursos.
O artigo apresenta o Saturn, um framework de Aprendizado por Reforço baseado em Problemas de Satisfatibilidade Booleana (SAT) que supera as limitações de escalabilidade, verificabilidade e controle de dificuldade das tarefas existentes, permitindo treinar LLMs com um currículo progressivo que resulta em melhorias significativas tanto na resolução de problemas SAT quanto em tarefas gerais de matemática e programação.
O artigo apresenta o FrontierCO, um benchmark abrangente que avalia solvers de otimização combinatória baseados em aprendizado de máquina em problemas do mundo real e em escala extrema, revelando uma lacuna de desempenho persistente em relação aos métodos clássicos em instâncias grandes e estruturalmente complexas, embora também identifique casos onde os métodos de ML superam os solvers tradicionais.
Este artigo apresenta a primeira revisão sistemática sobre a integração de modelos fundamentais na robótica de serviços móveis, analisando como essas tecnologias superam desafios técnicos e éticos para habilitar robôs mais adaptáveis, seguros e socialmente responsivos em ambientes reais.
Este artigo propõe o SemiCP, um novo paradigma de predição conformal semi-supervisionada que utiliza uma pontuação de não-conformidade baseada em correspondência de vizinhos mais próximos (NNM) para aproveitar dados não rotulados na calibração, reduzindo significativamente a instabilidade e o erro de cobertura quando há poucos dados rotulados disponíveis.
Este artigo investiga problemas de exploração pura com um conjunto infinito de respostas possíveis, estabelecendo um limite inferior dependente da instância, explicando por que métodos existentes falham nesse cenário e propondo o novo framework "Sticky-Sequence Track-and-Stop" que alcança otimalidade assintótica.
O artigo apresenta o TSRating, um novo framework unificado que utiliza o julgamento de Grandes Modelos de Linguagem (LLMs) e um esquema de meta-aprendizado para avaliar com precisão e eficiência a qualidade de séries temporais provenientes de diversos domínios, superando as limitações dos métodos existentes.
Este trabalho propõe o CORA, um método de atribuição de crédito em aprendizado por reforço multiagente cooperativo que utiliza a alocação do núcleo da teoria dos jogos cooperativos para estimar vantagens baseadas em coalizões e promover comportamentos coordenados ótimos, superando as limitações das abordagens tradicionais de compartilhamento global de vantagem.
Este artigo propõe dois novos algoritmos de aprendizado por reforço livres de modelo, Q-EarlySettled-LowCost e FedQ-EarlySettled-LowCost, que são os primeiros a alcançar simultaneamente arrependimento quase ótimo, custo de inicialização linear e custos logarítmicos de troca de política ou comunicação em ambientes de agente único e federado.
O artigo apresenta o ChannelTokenFormer, um framework baseado em Transformer que resolve simultaneamente os desafios de dependências entre canais, amostragem assíncrona e valores ausentes em previsões de séries temporais multivariadas do mundo real, demonstrando superior robustez e precisão em benchmarks públicos e dados industriais privados.
O artigo apresenta o WAFFLE, um algoritmo de detecção pré-treinamento que utiliza representações comprimidas via Transformada de Espalhamento de Wavelet ou Transformada de Fourier para identificar clientes maliciosos em Aprendizado Federado sem acesso aos dados brutos, oferecendo uma alternativa eficiente e de baixo custo computacional às estratégias online existentes.
Este artigo apresenta o modelo Mixture of Interacting Cascades (MIC), baseado em processos pontuais de Hawkes multidimensionais, que captura a interação conjunta entre usuários e cascata de informações para modelar com maior precisão a dinâmica de formação de opiniões em redes sociais, superando métodos existentes e permitindo visualizações detalhadas da atividade na rede.
O artigo propõe o ConLID, uma abordagem de aprendizado contrastivo supervisionado que melhora a identificação de idiomas em línguas de baixo recurso ao aprender representações invariantes a domínios, superando limitações de dados unidomínio sem prejudicar o desempenho em línguas de alto recurso.
Este artigo estabelece, pela primeira vez, garantias de convergência global linear para o método Iteratively Reweighted Least Squares (IRLS) na recuperação robusta de subespaços, demonstrando que uma variante com regularização dinâmica converge de qualquer inicialização tanto para subespaços lineares quanto afins, além de ilustrar seus benefícios práticos no treinamento de redes neurais de baixa dimensão.