11204 artigos
Este artigo propõe o SPOT, um esquema de aprendizado profundo que utiliza arranjos fase-tempo para sintetizar feixes "arco-íris" orientados a tarefas, permitindo a estimativa precisa da posição do usuário em uma única transmissão com redução significativa de sobrecarga e erro de posicionamento.
O artigo apresenta o ReCast, um framework de previsão de séries temporais leve e robusto que utiliza um código aprendível para codificar padrões locais e uma estratégia de atualização confiável baseada em otimização robusta distribucional para lidar com não estacionariedade, superando os modelos atuais em precisão e eficiência.
O artigo apresenta o FlashCache, um novo framework de compressão de cache KV para modelos de linguagem multimodal que utiliza uma abordagem guiada por domínio de frequência para identificar e preservar outliers críticos, resultando em uma aceleração de decodificação de até 1,69 vezes e uma redução de 80% no uso de memória sem comprometer o desempenho.
O artigo propõe o ObAct, um novo framework de aprendizado por imitação com visão ativa que utiliza um braço robótico como observador para construir uma representação 3DGS e encontrar a melhor posição de câmera, permitindo que o braço executor atue com observações mais claras e resultando em políticas significativamente mais robustas do que em configurações com câmeras estáticas.
Este trabalho apresenta o CycleChemist, um framework de aprendizado de máquina dual que integra o modelo de dados OPV2D, preditores de desempenho e um gerador de materiais (MatGPT) para acelerar a descoberta e o design de pares doador-aceitador de alta eficiência para células solares orgânicas.
O artigo propõe uma nova rede U-Net-LSTM informada por física que integra leis físicas ao aprendizado profundo para prever com maior precisão e eficiência a resposta não linear de estruturas sob excitação sísmica, superando as limitações computacionais do Método dos Elementos Finitos e as falhas de generalização dos modelos puramente baseados em dados.
O artigo apresenta o DPAC, um método de controle adversarial para amostragem de difusão que preserva a distribuição ao projetar gradientes adversariais no espaço tangente definido pela geometria do escore, minimizando a divergência KL do caminho e melhorando a fidelidade perceptual (FID) sem comprometer a taxa de sucesso do ataque.
Este estudo apresenta uma implementação de IA no sistema pediátrico Shriners Childrens que moderniza seu repositório de dados para o padrão OMOP, desenvolve uma ferramenta de avaliação de qualidade de dados baseada em Python integrada ao framework METRIC e compara estratégias de implementação para a microsomia craniofacial, visando acelerar a adoção clínica de IA confiável.
O artigo apresenta o GRAND, um algoritmo hierárquico que combina orientação baseada em aprendizado de máquina, rebalanceamento por fluxo de custo mínimo e atribuição local para otimizar o despacho de grandes frotas de robôs em armazéns, aumentando o throughput em até 10% em relação aos melhores métodos existentes enquanto mantém a execução em tempo real.
Este artigo apresenta uma abordagem de ajuste fino eficiente e justa para modelos de visão e linguagem no diagnóstico de glaucoma, introduzindo técnicas como FR-LoRA, GR-LoRA e Hybrid-LoRA que reduzem as disparidades de precisão entre grupos demográficos em 69% enquanto mantêm alta acurácia geral com apenas 0,24% de parâmetros treináveis.
O artigo apresenta a Guided Flow Policy (GFP), um método de aprendizado por reforço offline que combina um policy de fluxo de múltiplos passos com um ator destilado para focar na clonagem de ações de alto valor, alcançando desempenho de última geração em diversos benchmarks ao superar as limitações da regularização comportamental tradicional.
Este artigo demonstra que a otimização pós-treinamento com aprendizado por reforço (RL) em quebra-cabeças Zebra é aprimorada ao combinar uma recompensa de tarefa esparsa com um sinal de recompensa de ordenação canônica, permitindo que o modelo aprenda trajetórias ideais mesmo quando treinado com sequências de soluções aleatórias.
O artigo apresenta o NeuralRemaster, um método de difusão que preserva as fases dos dados de entrada enquanto randomiza suas magnitudes, permitindo a geração de imagens e vídeos estruturalmente alinhados e geometricamente consistentes para tarefas como re-renderização e transferência sim-to-real, sem custos adicionais de inferência ou alterações na arquitetura do modelo.
O artigo apresenta um método de pós-treinamento que torna a atenção dos transformers esparsa sem comprometer o desempenho, revelando que a redução drástica das conexões expõe circuitos mais organizados e interpretáveis, sugerindo que grande parte do cálculo original é redundante.
O artigo propõe o SACP, um novo método que agrega escores de não conformidade de múltiplos modelos preditivos através de e-valores e funções simétricas para gerar conjuntos de previsão mais eficientes e válidos no contexto da predição conformal.
Este artigo apresenta o TAP, um novo framework baseado em Grandes Modelos de Linguagem (LLMs) e estratégias evolutivas que descobre automaticamente e sem treinamento proxies superiores para quantização de precisão mista, eliminando a dependência de otimização diferenciada custosa ou de conhecimento manual de especialistas.
O artigo apresenta o ReFusion, um modelo de difusão mascarado inovador que integra reorganização de sequências e decodificação autoregressiva paralela em nível de slots, superando significativamente os modelos anteriores em desempenho e velocidade enquanto reduz a complexidade de aprendizado e permite o uso eficiente de cache KV.
Este artigo apresenta contribuições não assintóticas e livres de distribuição para a estimativa do erro de calibração de classificadores binários, oferecendo tanto um limite superior para funções de calibração com variação limitada quanto um método prático para modificar qualquer classificador a fim de garantir limites de erro eficientes sem prejudicar significativamente seu desempenho.
O artigo apresenta o RePo, um mecanismo inovador que melhora o aprendizado em contexto de Grandes Modelos de Linguagem ao re-posicionar dinamicamente os tokens com base em dependências contextuais, reduzindo a carga cognitiva extrínseca e aprimorando o desempenho em tarefas com contextos ruidosos, estruturados e de longa duração.
O artigo apresenta o AMPEND-LS, um framework agêntico multi-persona que combina sinergia entre LLMs e SLMs com evidências multimodais para detectar notícias falsas com maior precisão, robustez e explicabilidade do que os métodos existentes.