10313 artigos
Este estudo apresenta uma avaliação sistemática de métodos de compressão de redes neurais — especificamente poda, quantização e destilação de conhecimento — para classificação de imagens hiperespectrais, demonstrando que é possível reduzir significativamente o tamanho e o custo computacional dos modelos mantendo um desempenho competitivo em plataformas de recursos limitados.
Este artigo apresenta o "Model Medicine", um novo paradigma de pesquisa que aplica uma estrutura clínica sistemática para entender, diagnosticar e tratar desordens em modelos de IA, introduzindo contribuições como uma taxonomia de disciplinas, o Modelo de Quatro Camadas, a ferramenta de diagnóstico Neural MRI e frameworks padronizados para avaliação e relato de casos.
O artigo apresenta o "Count Bridges", um processo de ponte estocástica sobre inteiros que permite a modelagem generativa e a deconvolução de dados transcriptômicos agregados, oferecendo um método preciso para inferir perfis de contagem de células individuais a partir de medições em massa ou espaciais.
Este artigo revela que os Exemplos Inaprendíveis (UEs) falham ao proteger dados quando modelos pré-treinados utilizam seus priores semânticos para ignorar as perturbações, e propõe o método BAIT, que utiliza otimização bi-nível para forçar a associação entre perturbações e rótulos incorretos, restaurando assim a proteção dos dados.
O artigo apresenta a Distribuição-Condicionada de Transporte (DCT), um framework que condiciona mapas de transporte a representações aprendidas de distribuições de origem e destino, permitindo a generalização para pares não vistos e o aprendizado semi-supervisionado em diversas aplicações biológicas.
O artigo propõe os "Interactive Benchmarks", um novo paradigma de avaliação unificado que testa a capacidade de raciocínio de modelos sob restrições orçamentárias em cenários interativos de provas e jogos, demonstrando que essa abordagem oferece uma avaliação mais robusta e fiel da inteligência artificial do que os benchmarks padrão.
O artigo apresenta o CONE, um modelo híbrido pré-treinado que utiliza um algoritmo inovador de embeddings compostos para codificar números, intervalos e gaussianas junto com suas unidades e atributos, preservando semântica e distância e demonstrando capacidades superiores de raciocínio numérico em diversos domínios.
O artigo apresenta o KindSleep, um quadro de aprendizado profundo que integra conhecimento clínico e sinais de oximetria para diagnosticar com alta precisão e transparência a apneia obstrutiva do sono, superando os métodos existentes em múltiplos conjuntos de dados independentes.
Este comentário de panorama avalia a família GPT-5 como raciocinador clínico multimodal, demonstrando avanços significativos na síntese de dados textuais e de imagem que superam o GPT-4o, mas revelando que, embora represente um progresso em direção ao raciocínio integrado, os modelos generalistas ainda não substituem sistemas especializados em tarefas críticas de percepção como neurorradiologia e mamografia.
Este artigo apresenta o ConTSG-Bench, um benchmark unificado e em grande escala que fornece um conjunto abrangente de métricas e um conjunto de dados alinhado para avaliar sistematicamente modelos de geração de séries temporais condicionais, revelando as limitações atuais e direções futuras para o controle estrutural preciso e a utilidade em tarefas downstream.
Este artigo propõe um framework de aprendizado por reforço distribuído e sensível ao risco, que integra o gargalo de informação e otimização de Conditional Value-at-Risk para otimizar parâmetros de equalização de DRAM com garantias de pior caso, quantificação de incerteza e uma aceleração de 51 vezes em comparação com métodos tradicionais.
Este trabalho apresenta a primeira caracterização de equivalência distribucional e um método de aprendizado estruturalmente livre para modelos causais lineares não-Gaussianos com variáveis latentes e ciclos, estabelecendo critérios gráficos e um algoritmo para recuperar modelos a partir de dados sem assumir restrições estruturais prévias.
Este artigo propõe o Diffusion Policy through Conditional Proximal Policy Optimization, um método eficiente que permite o treinamento de políticas de difusão em cenários de aprendizado por reforço on-policy ao alinhar a iteração da política com o processo de difusão, eliminando a necessidade de cálculos complexos de verossimilhança e permitindo a regularização por entropia, resultando em desempenho superior em diversas tarefas de robótica.
Este artigo propõe o método DCR (Diffusion Contrastive Reconstruction), que integra sinais contrastivos derivados das imagens reconstruídas em vez das originais no processo de difusão para superar as limitações do CLIP, equilibrando simultaneamente a capacidade discriminativa e a percepção de detalhes na representação visual.
Este artigo demonstra que a localidade e o compartilhamento de pesos em redes neurais convolucionais alteram fundamentalmente a regularização implícita, permitindo a generalização em dados esféricos de alta dimensão onde redes totalmente conectadas falham, ao acoplar os filtros aprendidos a uma variedade de patches de baixa dimensão.
Este artigo apresenta a solução "WhisperAlign" para o DL Sprint 4.0, que combina uma estratégia de fragmentação de áudio baseada em WhisperX para reconhecimento de fala e um modelo de diarização de fala ajustado especificamente para o dataset da competição, resultando em reduções significativas nas taxas de erro para transcrição e identificação de falantes em longas gravações de áudio em bengali.
Este artigo estabelece uma conexão entre polaridade quadrática e divergências de Fenchel-Young polares, demonstrando que transformações de Legendre-Fenchel podem ser manipuladas via álgebra linear em coordenadas homogêneas e revelando uma nova dualidade de referência na geometria da informação através da generalização de divergências de Bregman.
Este artigo investiga as capacidades de generalização de modelos fundacionais corporativos para assistência corretiva em conjunto aberto, demonstrando através de dados sintéticos no Overcooked que o desempenho ideal requer conjuntos de dados diversificados que abranjam fundamentação multimodal, inferência de defeitos e exposição a cenários variados.
O artigo propõe o framework CAD (Class-specific Augmentation based Disentanglement), que mitiga o emaranhamento de instâncias no aprendizado de rótulos parciais dependente de instância (ID-PLL) através de regulamentações intra e interclasse para melhorar a clareza dos limites entre classes e reduzir a confusão.
Este artigo propõe um método de treinamento multiescala para Redes de Kolmogorov-Arnold (KANs) que explora sua estrutura de base de splines para criar uma hierarquia de modelos aninhados, resultando em aceleração significativa no treinamento e em ganhos substanciais de precisão, especialmente em redes neurais informadas por física.