10302 artigos
Este artigo estende a estimação por densidade de kernel (KDE) para configurações de streaming e integra o encolhimento hierárquico (HS) em árvores de decisão incrementais para regressão desbalanceada, demonstrando empiricamente que a KDE melhora consistentemente o desempenho inicial, enquanto o HS oferece ganhos limitados.
O artigo apresenta o Zatom-1, o primeiro modelo fundamental de código aberto e ponta a ponta que unifica a aprendizagem generativa e preditiva de moléculas e materiais 3D, utilizando um objetivo de correspondência de fluxo multimodal para superar as limitações de abordagens anteriores, acelerar a inferência e permitir transferência positiva de conhecimento entre domínios químicos.
Este artigo propõe um método de RLHF online regularizado com preferências generalizadas bilineares que, ao utilizar matrizes de baixo posto e antissimétricas, garante limites de arrependimento estatisticamente eficientes e livres de exponenciais em dimensões altas, superando as restrições de trabalhos anteriores limitados à regularização por KL reverso.
Este trabalho apresenta o Lap2, uma nova abordagem que supera as limitações de dimensionalidade do mecanismo Laplace no DP-SGD ao permitir o uso de clipping L2 através da teoria de majorização, resultando em desempenho superior ao do mecanismo Gaussiano em modelos de alta dimensão sob fortes restrições de privacidade.
Os autores propõem um novo quadro de otimização no tempo de inferência que, ao otimizar representações latentes e combinar priors estruturais com dados experimentais, gera ensembles de proteínas mais diversificados, fisicamente plausíveis e em melhor acordo com dados experimentais do que os métodos atuais, ao mesmo tempo que expõe vulnerabilidades nas métricas de confiança de modelos como o AlphaFold3.
O artigo apresenta o JAILBREAK FOUNDRY (JBF), um sistema baseado em agentes múltiplos que traduz automaticamente artigos sobre jailbreaks em módulos executáveis padronizados, permitindo a reprodutibilidade precisa e a avaliação unificada de ataques em modelos de linguagem.
O artigo apresenta o DiffusionHarmonizer, um framework de aprimoramento generativo online que utiliza um aprimorador condicionado temporalmente derivado de modelos de difusão para transformar renderizações de reconstruções neurais imperfeitas em saídas fotorealistas e temporalmente consistentes, corrigindo artefatos e harmonizando a iluminação para simulações robóticas escaláveis.
O artigo apresenta o Aurchestra, o primeiro sistema capaz de oferecer controle sonoro granular e em tempo real em dispositivos auditivos com recursos limitados, permitindo que os usuários ajustem independentemente os volumes de até cinco fontes sonoras simultâneas por meio de uma interface dinâmica e uma rede de extração multi-saída otimizada.
O estudo demonstra que a persistência do estado do interpretador é uma semântica fundamental que molda a eficiência e a estabilidade dos agentes de IA, revelando que o desalinhamento entre os dados de treinamento e o ambiente de execução causa erros críticos ou desperdício de recursos, mesmo sem afetar a qualidade final da solução.
O artigo apresenta o ReGFT, um método que utiliza soluções de referência humanas para sintetizar trajetórias de raciocínio viáveis em problemas difíceis, superando a esparsidade de recompensas e acelerando o treinamento por reforço (RL) para raciocínio matemático em modelos de linguagem.
O artigo apresenta o VoxKnesset, um novo conjunto de dados aberto e longitudinal com cerca de 2.300 horas de discurso parlamentar em hebraico (2009-2025) de 393 falantes, destinado a avaliar e melhorar a modelagem de sistemas de processamento de fala para o envelhecimento vocal.
O artigo apresenta o MatRIS, um potencial interatômico de aprendizado de máquina invariante e eficiente que utiliza um mecanismo de atenção separável para modelar interações de três corpos, alcançando precisão comparável aos modelos equivariantes mais avançados com custos computacionais significativamente menores.
Este artigo propõe um framework de previsão conformal para outputs estruturados em forma de grafos, que utiliza a distância Z-Gromov-Wasserstein (FGW) e a regressão quantílica conformalizada de pontuação (SCQR) para fornecer garantias de cobertura livres de distribuição e conjuntos de previsão adaptativos em tarefas como a identificação de moléculas.
O artigo apresenta o IoUCert, um novo framework de verificação formal que supera as limitações existentes ao garantir a robustez de detectores de objetos baseados em âncoras, como SSD e YOLO, através de uma transformação de coordenadas que permite o cálculo de limites ótimos para a métrica de Interseção sobre União (IoU) sem degradação de precisão.
O artigo propõe uma construção incremental de grafos k-NN que garante a conectividade do grafo por design, superando a fragilidade dos métodos padrão em regimes de baixa esparsidade e melhorando a robustez do agrupamento espectral de embeddings de texto.
Este artigo propõe o uso de um autoencoder variacional condicional (CVAE) para realizar a reconstrução inversa de séries temporais de choque a partir de espectros de resposta ao choque, superando as limitações computacionais e de generalização dos métodos iterativos tradicionais ao oferecer uma abordagem baseada em dados, mais rápida e precisa.
O artigo apresenta o AOI, um framework multiagente treinável que supera os desafios de privacidade e segurança na automação de SRE ao transformar trajetórias de falhas em sinais de aprendizado supervisionado, alcançando desempenho superior ao estado da arte em diagnósticos de nuvem autônomos.
O artigo apresenta o RADAR, um framework neural escalável que utiliza decomposição em valores singulares (SVD) e normalização Sinkhorn para permitir que solucionadores de problemas de roteamento de veículos lidem eficazmente com distâncias assimétricas, superando os métodos existentes em generalização e desempenho.
O artigo apresenta o Stratum, uma infraestrutura de sistema unificada que desacopla a execução de pipelines do planejamento em buscas de pipelines agênicas, integrando-se ao ecossistema Python para compilar e executar lotes de pipelines em backends heterogêneos, alcançando acelerações de até 16,6x.
Este artigo estabelece uma conexão teórica fundamental entre complexidade computacional e arquiteturas de redes neurais, demonstrando que as RNNs lineares são altamente paralelizáveis por pertencerem à classe (semelhante aos Transformers), enquanto as RNNs não lineares enfrentam barreiras de paralelização ao resolverem problemas completos em ou .