9235 artigos
O artigo propõe o Score-Guided Proximal Projection (SGPP), uma estrutura geométrica unificada que reformula a edição e recuperação de imagens em modelos de Fluxo Retificado como um problema de otimização proximal, garantindo a convergência para o manifold de dados e generalizando métodos existentes ao oferecer um controle contínuo entre preservação de identidade e liberdade generativa.
Este artigo apresenta o TML-Bench, um novo benchmark para avaliar agentes de ciência de dados autônomos em tarefas de aprendizado de máquina tabular baseadas em competições do Kaggle, demonstrando que o modelo MiniMax-M2.1 obteve o melhor desempenho agregado entre os 10 modelos de linguagem de código aberto testados sob diferentes limites de tempo.
O artigo propõe o método SCORE, que resolve conflitos de subespaço entre modelos treinados em domínios distintos ao projetá-los em uma base ortogonal compartilhada, melhorando significativamente a generalização de domínio em tarefas de fusão de modelos.
Este artigo propõe a Hipótese de Segurança Desentrelaçada (DSH), demonstrando que os mecanismos de segurança em Grandes Modelos de Linguagem operam em subespaços geométricos distintos para "saber" e "agir", o que permite a criação de ataques de evasão eficazes que separam o reconhecimento de conteúdo nocivo da recusa em respondê-lo.
Este artigo propõe um novo método de gradiente com comutação ponderada por softmax para otimização minimax estocástica distribuída com restrições estocásticas, que alcança complexidade de oráculo e garantias de convergência de alta probabilidade em cenários de participação parcial, superando limitações de abordagens tradicionais em tarefas como classificação de Neyman-Pearson e classificação justa.
Este artigo demonstra que as métricas tradicionais de coordenação em jogos multiagente são cegas à estrutura temporal e podem mascarar falhas graves na alternância, propondo novas métricas sensíveis ao tempo que revelam que políticas aprendidas podem performar significativamente pior do que o acaso, apesar de apresentarem altas recompensas agregadas.
Este artigo utiliza crosscoders para comparar modelos MoE e densos, revelando que os MoE aprendem menos recursos únicos e mais especializados com maior densidade de ativação, enquanto os modelos densos distribuem a informação em recursos mais gerais e amplos.
O artigo "MoE Lens" demonstra que os modelos Mixture of Experts (MoE) exibem uma especialização concentrada, onde poucos especialistas dominam as decisões de roteamento e suas saídas individuais aproximam-se fortemente do ensemble completo, sugerindo oportunidades viáveis para otimização de inferência através do podamento direcionado de especialistas.
O artigo apresenta o MaCS (Margin and Consistency Supervision), um framework de regularização simples e agnóstico à arquitetura que, ao combinar uma penalidade de margem no espaço de logits com um regularizador de consistência, melhora significativamente a calibração e a robustez de modelos de visão computacional sem comprometer a precisão ou exigir alterações estruturais.
O artigo propõe o SEA-PEFT, um método de ajuste fino eficiente em parâmetros que automatiza a configuração de adaptadores por meio de um ciclo de busca, auditoria e alocação online, alcançando melhorias significativas na segmentação de imagens médicas 3D com poucos exemplos sem a necessidade de engenheiros especializados.
Este estudo empírico analisa os benefícios, limites e armadilhas da adaptação em tempo de teste via prompting de muitos exemplos, revelando que essa estratégia é eficaz para tarefas estruturadas com alto ganho de informação, mas frequentemente mostra benefícios limitados ou sensibilidade excessiva à estratégia de seleção em tarefas de geração aberta, especialmente em modelos de código aberto.
O artigo apresenta o ReflexiCoder, um novo framework de aprendizado por reforço que internaliza a capacidade de autorreflexão e autocorreção em modelos de linguagem, permitindo que eles gerem, depurem e corrijam código de forma autônoma e eficiente sem depender de oráculos externos ou feedback de execução durante a inferência.
O artigo apresenta o STEP, um novo framework que reformula a previsão de links temporais como um problema de previsão sequencial em tempo contínuo, modelando a dinâmica de eventos por meio de transições de motivos temporais governadas por processos de Poisson, o que resulta em ganhos significativos de precisão e eficiência computacional em comparação com os métodos mais avançados.
O artigo apresenta o ROSE, um método de poda "one-shot" para Grandes Modelos de Linguagem que reordena os pesos com base na perda de poda estimada para superar as limitações de ordem pré-definida do SparseGPT, alcançando maior precisão em modelos como LLaMA e Mistral.
O artigo apresenta o PixARMesh, um método inovador que reconstrói cenas 3D completas e prontas para uso artístico diretamente de uma única imagem RGB, gerando malhas coerentes e de alta fidelidade em uma única passagem através de um processo autoregressivo que unifica a previsão de layout e geometria.
Este artigo propõe três técnicas de mitigação de viés — filtragem top-k de conceitos, remoção de conceitos enviesados e desviés adversarial — para aprimorar a justiça em Modelos de Garrafa de Conceito (CBMs), superando trabalhos anteriores no equilíbrio entre desempenho e equidade na classificação de imagens.
O artigo apresenta o RePO, um novo método de otimização que combina aprendizado por reforço para explorar novas moléculas com orientação supervisionada baseada em referências para estabilizar o treinamento, superando abordagens tradicionais de ajuste fino e aprendizado por reforço em tarefas de otimização molecular guiada por LLMs.
Este artigo apresenta um modelo integrado que combina uma arquitetura de transformador de nós com análise de sentimento baseada em BERT para prever preços de ações, demonstrando superioridade sobre métodos tradicionais como ARIMA e LSTM ao capturar dependências cruzadas e dinâmicas de mercado, alcançando uma precisão de 0,80% de erro médio absoluto percentual em previsões de um dia.
O artigo propõe o "Artificial Replay" (Reprodução Artificial), um novo design experimental que permite comparar algoritmos de bandit multi-armed reutilizando trajetórias registradas para reduzir drasticamente o custo de interação e a variância do estimador, superando as limitações dos testes A/B tradicionais para políticas adaptativas.
O artigo apresenta o Weak-SIGReg, um método de regularização covariante eficiente que utiliza sketched isotropic Gaussian para estabilizar o treinamento de arquiteturas profundas sem bias, como Vision Transformers e MLPs, prevenindo o colapso das representações e melhorando significativamente a convergência em cenários de otimização desafiadores.