11045 artigos
Este artigo demonstra que máquinas de Moore podem ser realizadas como modelos de espaço de estado (SSMs), propondo uma abordagem híbrida que utiliza o aprendizado de autômatos simbólicos para inicializar SSMs, resultando em uma convergência 2 a 5 vezes mais rápida e maior precisão em comparação com inicializações aleatórias.
Este artigo estabelece um framework geométrico baseado em fibrados principais para analisar as limitações fundamentais e as oportunidades na aprendizagem de equações diferenciais que governam a evolução de redes temporais modeladas por Grafos de Produto Aleatório (RDPGs), demonstrando como a estrutura dinâmica pode resolver ambiguidades de gauge e unificando a dificuldade geométrica com a estatística através de lacunas espectrais.
O artigo alerta que a rápida adoção da IA na ciência climática, embora prometa avanços, corre o risco de ampliar a desigualdade global ao concentrar infraestrutura e dados no Norte Global, exigindo uma mudança de paradigma para uma abordagem centrada em dados, infraestrutura digital pública e co-produção de conhecimento para garantir equidade e resiliência sistêmica.
Este estudo demonstra que a adaptação de domínio não supervisionada, especificamente através da minimização da discrepância máxima de momento (MMD), permite que modelos de aprendizado de máquina treinados em dados sintéticos de espectroscopia gama generalizem com sucesso para a identificação de radioisótopos em ambientes experimentais reais não rotulados.
Este artigo demonstra que, ao analisar a taxa de vitória em vez da recompensa esperada, a amostragem Best-of-N (BoN) é estatisticamente ótima para alinhamento em tempo de inferência e propõe uma variante prática que elimina o "reward hacking" mantendo essa otimalidade.
O artigo apresenta o Icarus, um modelo de céu para todas as condições meteorológicas baseado em aprendizado profundo que gera mapas de ambiente de Alto Alcance Dinâmico (HDR) com alta precisão fotorealista, superando as limitações atuais na modelagem da região solar e permitindo o controle interativo de formações solares e de nuvens para Iluminação Baseada em Imagem (IBL).
O artigo apresenta o MIRACL, um novo framework hierárquico de Meta-Aprendizado por Reforço Multi-Objetivo que utiliza decomposição de tarefas e adaptação baseada em Pareto para permitir generalização eficiente em poucos exemplos e superar métodos convencionais na otimização de cadeias de suprimentos multi-objetivo e multi-escalonadas.
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.