9753 artigos
O artigo apresenta um sistema de reconhecimento de atividades baseado em uma Rede Neural Convolucional Circular Dilatada (CDCNN) que processa dados multimodais de palmilhas inteligentes, alcançando 86,42% de precisão na classificação de quatro atividades e demonstrando viabilidade para implantação em sistemas embarcados.
Este trabalho propõe o framework MTDP, que utiliza a destilação multi-professor de modelos fundacionais de visão e séries temporais para pré-treinar modelos fundacionais de EEG com apenas 25% dos dados, superando os métodos de auto-supervisão tradicionais em diversas tarefas downstream.
Este artigo analisa os tempos de parada da conjectura de Collatz para através de uma perspectiva de aprendizado de máquina probabilístico, demonstrando que um modelo hierárquico bayesiano de regressão Negativa Binomial supera aproximações geradoras baseadas em decomposição de blocos ímpares, enquanto evidencia que a estrutura modular de baixa ordem é um fator crucial para a heterogeneidade observada nos dados.
Este estudo apresenta o Ab-Affinity, um novo modelo de linguagem grande capaz de prever com precisão a afinidade de ligação de anticorpos contra o peptídeo alvo da proteína spike do SARS-CoV-2, aproveitando avanços em inteligência artificial e o aumento de dados experimentais para auxiliar no design de anticorpos neutralizantes.
Este trabalho apresenta um framework de aprendizado contrastivo que alinha espectros de raios X com conhecimento extraído de artigos científicos, criando representações multimodais compartilhadas que melhoram a estimativa de variáveis físicas e facilitam a identificação de fontes astrofísicas raras ou pouco compreendidas.
O artigo apresenta o Aprendizado de Hessiano Projetado (PHL), um método escalável que treina potenciais interatômicos de aprendizado de máquina utilizando produtos vetor-Hessiano para incorporar informações de curvatura com precisão próxima à do Hessiano completo, mas com custo computacional e de memória significativamente reduzidos.
O artigo propõe a assinatura de Volterra como uma representação de recursos explícita e matematicamente fundamentada para séries temporais não markovianas, demonstrando suas propriedades de universalidade, invariância à reparametrização temporal e eficiência computacional, o que resulta em melhor desempenho em tarefas de aprendizado dinâmico em comparação com assinaturas de caminho clássicas.
Este artigo propõe o quadro de governança "Roteamento Causal Invariante" (ICR), que integra raciocínio contrafactual e descoberta causal invariante para identificar regras de política interpretáveis e estáveis que orientam normas sociais emergentes em economias de mercado online, superando as limitações de abordagens baseadas em correlação ao garantir eficácia sob mudanças de distribuição.
Este artigo apresenta um novo framework generativo profundo que realiza amostragem de posterior em dimensões altas de forma dez vezes mais rápida que abordagens baseadas em difusão, demonstrando eficácia e robustez na aplicação de delensing da Radiação Cósmica de Fundo (CMB).
O artigo apresenta o KG-WISE, um sistema de inferência orientado a consultas que utiliza Grandes Modelos de Linguagem (LLMs) para decompor e carregar dinamicamente componentes específicos de modelos de Redes Neurais em Grafos (GNNs) em grandes Grafos de Conhecimento, alcançando ganhos significativos de velocidade e redução de uso de memória sem comprometer a precisão.
Este artigo apresenta um algoritmo de aprendizado híbrido eficiente em termos de oráculo que alcança otimalidade estatística sob adversários restritos, superando o compromisso anterior entre eficiência computacional e desempenho estatístico e permitindo o cálculo de equilíbrios em jogos de soma zero estocásticos com estruturas de baixa dimensão.
Este estudo apresenta um framework baseado em aprendizado profundo que utiliza um ensemble de modelos ConvLSTM treinados em grades espaciais sobrepostas para prever com maior precisão o risco de acidentes de trânsito relacionados ao clima na Carolina do Norte, superando modelos tradicionais ao capturar dependências espaciais e dinâmicas temporais em dados heterogêneos.
O artigo apresenta o Latent Particle World Model (LPWM), um modelo de mundo auto-supervisionado e centrado em objetos que descobre autonomamente características visuais a partir de vídeos para modelar dinâmicas estocásticas e auxiliar em tarefas de tomada de decisão.
Este estudo analisa estratégias de fusão e agrupamento em redes neurais convolucionais para classificação de Zonas Climáticas Locais (LCZ) usando dados de sensoriamento remoto multimodais, demonstrando que uma abordagem híbrida combinada com agrupamento de bandas e fusão de rótulos alcança a maior precisão geral (76,6%) e melhora significativamente a detecção de classes sub-representadas no conjunto de dados So2Sat LCZ42.
Este estudo investiga a forte correlação entre o esquecimento catastrófico e o colapso estrutural em aprendizado contínuo, demonstrando através da análise do rank efetivo (eRank) em diversas arquiteturas e estratégias que a perda de capacidade de expansão do espaço de características força a sobrescrita de representações existentes, afetando diretamente a retenção de tarefas anteriores.
O artigo demonstra que sistemas de IA agênticos sofrem de um viés de autoatribuição, no qual os modelos de linguagem avaliam suas próprias ações como menos arriscadas ou mais corretas quando geradas em turnos anteriores do assistente em comparação com o mesmo conteúdo apresentado pelo usuário, levando a uma superestimação da confiabilidade desses monitores em cenários de implantação real.
Este trabalho propõe um novo framework de IA multimodal com fusão tardia que utiliza embeddings semânticos, padrões comportamentais e metadados de dispositivos para realizar a deduplicação de registros em ambientes de dados de saúde nacionais de forma escalável e em conformidade com a privacidade, eliminando a dependência de identificadores diretos sensíveis.
Este trabalho demonstra que o ajuste fino de um modelo fundamental de EDP pré-treinado (MORPH) supera o treinamento do zero na estimativa inversa de parâmetros de fusão por confinamento inercial a partir de imagens de raios X hiperspectrais, alcançando alta precisão e melhorando a eficiência amostral, especialmente em cenários com dados limitados.
Este trabalho estabelece uma equivalência variacional e baseada em gradientes entre o algoritmo K-Means e redes neurais de Funções de Base Radial (RBF) diferenciáveis, demonstrando que, à medida que o parâmetro de temperatura tende a zero, o objetivo RBF converge para a solução do K-Means e suas atualizações recuperam as regras exatas de centróide, permitindo a integração estável de agrupamento diferenciável em arquiteturas de aprendizado profundo.
Este trabalho propõe algoritmos ótimos de teste de independência que utilizam informações preditivas auxiliares para reduzir a complexidade de amostragem quando as previsões são precisas, mantendo ao mesmo tempo a validade no pior caso e estabelecendo limites inferiores que comprovam a otimalidade do método em cenários bivariados e de alta dimensão.