11016 artigos
O artigo apresenta o FuseDiff, um modelo de difusão end-to-end inovador que gera simultaneamente uma única molécula de fármaco e duas poses de ligação específicas para alvos distintos, superando as limitações dos métodos existentes ao preservar simetrias e garantir consistência topológica para o design de medicamentos de duplo alvo.
Este artigo propõe uma regra de tratamento individualizada robusta distribucionalmente (PDRO-ITR) que integra dados de múltiplas fontes para lidar com o deslocamento posterior, garantindo desempenho ótimo mesmo no pior cenário através de um conjunto de incerteza adaptativo e de uma solução de forma fechada.
Este estudo desenvolveu um pipeline de aprendizado de máquina explicável para integrar dados transcriptômicos de múltiplos tecidos no Esclerose Múltipla, identificando com alta precisão biomarcadores e vias patogênicas, como checkpoints imunes não canônicos e mecanismos relacionados ao vírus Epstein-Barr, que complementam as análises tradicionais de expressão diferencial.
Este artigo utiliza uma perspectiva de controle algébrica de Lie para demonstrar teoricamente e validar empiricamente que o aumento da profundidade em modelos de sequência paralelizáveis reduz exponencialmente o erro de aproximação, estabelecendo uma correspondência direta entre a profundidade do modelo e extensões de torres de álgebras de Lie.
Este artigo propõe um método de inferência condicional que combina localização baseada em kernels com previsões de aprendizado de máquina para estimar funcionais condicionais em cenários com poucos dados rotulados e muitos dados não rotulados, garantindo intervalos de confiança válidos e com variância reduzida independentemente da precisão do modelo preditivo.
O artigo propõe o DKSD-AE, um autoencoder estruturado que combina operadores de Koopman e normalização de instância para realizar a disentanglement de fala sem supervisão textual, alcançando desempenho competitivo em verificação de locutor com menos parâmetros e maior robustez.
Este artigo apresenta um novo framework híbrido que combina heurísticas específicas do setor ferroviário com aprendizado por reforço (Q-learning) para otimizar a formação de trens em pátios de manobra, decompondo problemas complexos de acesso bilateral com duas locomotivas em subproblemas mais simples de acesso unilateral.
Este estudo propõe um quadro analítico híbrido de GeoAI que integra MGWR, Random Forest e ST-GCN para modelar a heterogeneidade espaço-temporal dos fluxos de tráfego e sua interação com o uso do solo em múltiplos modos de transporte, demonstrando superioridade preditiva e fornecendo um conjunto de ferramentas interpretáveis para o planeamento urbano e de mobilidade.
O artigo apresenta a BISE (Extração de Sub-redes Invariantes a Vieses), uma estratégia que identifica e isola sub-redes "livres de vieses" dentro de modelos pré-treinados convencionais através de poda, permitindo mitigar vieses algorítmicos sem a necessidade de retreinamento, ajuste fino ou dados adicionais.
O artigo demonstra que o pré-treinamento de tokenizadores com um objetivo de autoencoder, especialmente quando alinhado ao domínio físico específico, melhora significativamente a eficiência e a precisão dos modelos de base para física, reduzindo o erro de VRMSE em 64% em comparação com o treinamento a partir do zero.
Este artigo propõe o primeiro framework de verificação robusta acoplado para detectores de keypoints baseados em mapas de calor, utilizando um programa linear de números mistos (MILP) para garantir a robustez conjunta de todos os keypoints e superar as limitações conservadoras das abordagens decopladas anteriores.
O artigo apresenta o modelo behavior-dLDS, um sistema dinâmico linear decomposto que desentrelaça dinâmicas neurais latentes relacionadas ao comportamento de computações internas paralelas, demonstrando sua eficácia em dados simulados e sua escalabilidade para milhares de neurônios em gravações de larvas de peixe-zebra.
O artigo apresenta o RACAS, uma arquitetura agênica baseada em modelos de linguagem que permite o controle em malha fechada de robôs radicalmente diferentes (terrestres, subaquáticos e de membros articulados) utilizando apenas descrições em linguagem natural, eliminando a necessidade de reprogramação ou re-treinamento para cada nova plataforma.
Este artigo propõe e demonstra um framework para identificar as características do atacante a partir de um ataque observado, provando que a identificação é impossível sem conhecimento adicional e oferecendo uma abordagem agnóstica ao domínio para determinar o provável agressor, o que permite tanto a mitigação exógena quanto a melhoria do desempenho de métodos de defesa diretos.
Este artigo propõe o Interpolated FID (iFID), uma métrica simples baseada na interpolação no espaço latente que supera o FID de reconstrução tradicional ao demonstrar uma forte correlação com a qualidade de geração de modelos de difusão latente, permitindo prever com precisão o desempenho desses modelos.
Este artigo propõe a Contagem Implícita de Erros (IEC), uma abordagem de aprendizado por reforço sem referência que enumera e pondera erros em vez de verificar acertos contra um gabarito, demonstrando sua superioridade em tarefas de "virtual try-on" onde múltiplas respostas válidas tornam a geração de rubricas tradicional inviável.
Este artigo demonstra que a incorporação de dados de desempenho em uma representação vetorial derivada de um grafo de conhecimento melhora significativamente a precisão dos modelos de aprendizado supervisionado na previsão de salários de jogadores veteranos da NBA, superando as limitações das abordagens tradicionais baseadas apenas em dados tabulares.
Este artigo propõe o uso de aprendizado por reforço com uma função de recompensa probabilística para projetar instâncias de equações de fluxo de potência que possuem um número de soluções reais significativamente maior do que a média, superando as limitações dos algoritmos algébricos atuais na análise de redes elétricas complexas.
Este artigo demonstra que, no contexto de regressão de crista com características aleatórias, é possível obter leis de escala significativamente melhores ao treinar um modelo forte com rótulos imperfeitos de um modelo fraco, permitindo que o aluno atinja taxas de erro ótimas mesmo quando o professor não apresenta melhoria com o aumento dos dados.
Este artigo investiga estratégias de paralelização para a implantação de modelos de linguagem densos, demonstrando que o Paralelismo de Tensores (TP) otimiza a latência enquanto o Paralelismo de Pipeline (PP) favorece a vazão, e que a combinação híbrida dessas técnicas permite gerenciar eficazmente o compromisso entre esses dois indicadores de desempenho.