11329 artigos
Este artigo apresenta o RefQuery, um framework de aprendizado por transferência leve e escalável para monitoramento não intrusivo de carga (NILM) que utiliza uma rede pré-treinada congelada e adapta-se a diferentes residências aprendendo apenas embeddings compactos por aparelho, permitindo uma desagregação precisa e eficiente em tempo real em dispositivos de borda.
Este artigo apresenta uma estrutura de aprendizado por reforço multioperador que integra a teoria da escolha discreta para modelar a dinâmica competitiva de mercado em sistemas de Mobilidade Autônoma sob Demanda (AMoD), demonstrando que a concorrência leva a preços mais baixos e padrões de reposição de frota distintos em comparação com cenários monopolistas, enquanto mantém a robustez na convergência de políticas eficazes.
Este artigo propõe uma interpretação da Estabilidade Limite (Edge of Stability) através da suavidade direcional generalizada para normas não euclidianas, demonstrando experimentalmente que diversos otimizadores, incluindo descida de gradiente não euclidiana, exibem esse fenômeno de estabilização em torno de um limiar de curvatura definido pela geometria do espaço.
Este trabalho propõe o método BA-Logic, que supera as limitações de ataques de backdoor existentes em Graph Neural Networks sob o cenário de "clean-label" ao coordenar a seleção de nós envenenados com a geração de gatilhos que alteram a lógica interna de previsão do modelo, garantindo assim uma alta taxa de sucesso sem a necessidade de modificar os rótulos de treinamento.
Este artigo apresenta o Índice de Credibilidade via Estabilidade de Explicação (CIES), uma nova métrica matematicamente fundamentada que avalia a robustez das explicações de modelos de IA em cenários de negócios reais, demonstrando que a estabilidade das justificativas de decisão é crucial e influenciada pela complexidade do modelo e pelo tratamento de desequilíbrio de classes.
O artigo apresenta o RepoLaunch, o primeiro agente capaz de automatizar a resolução de dependências, compilação e extração de resultados de testes em repositórios de código de qualquer linguagem e plataforma, permitindo a criação escalável de conjuntos de dados para treinamento e avaliação de agentes de engenharia de software.
O GELO é um protocolo leve de ofuscação que preserva a privacidade das inferências de Grandes Modelos de Linguagem em aceleradores não confiáveis, aplicando uma mistura invertível única por lote aos estados ocultos para impedir ataques de separação cega de fontes sem comprometer a precisão dos resultados.
Este artigo propõe a MCEL (Margin-Based Cross-Entropy Loss), uma função de perda inovadora que melhora significativamente a tolerância a erros de bits em redes neurais quantizadas ao promover a separação de margens nos logits, oferecendo uma alternativa escalável e eficiente ao treinamento com injeção de erros.
Este artigo analisa assintoticamente o aprendizado multi-tarefa, demonstrando que combinar tarefas relacionadas equivale a adicionar termos de regularização que melhoram a generalização e adiam ou mitigam o fenômeno de "double descent".
Este artigo apresenta um framework de aprendizado profundo para jamming amigável em sistemas ISAC multicarrier que, utilizando feedback de eco de radar e uma rede neural adaptada, otimiza a segurança física sem exigir informações do canal do eavesdropper, garantindo robustez à incerteza do canal e reduzindo significativamente o tamanho do modelo através de codificação tensorial quantizada.
O artigo apresenta a Reward-Conditioned Reinforcement Learning (RCRL), uma estrutura que treina um único agente para otimizar uma família de especificações de recompensa a partir de dados de uma única tarefa nominal, permitindo a adaptação eficiente a novas preferências e comportamentos robustos sem sacrificar a simplicidade do treinamento.
Este artigo apresenta um novo algoritmo de agrupamento para dados na esfera unitária, baseado no modelo generalizado de Kuramoto, que supera ou iguala os métodos tradicionais em precisão ao considerar a estrutura geométrica do espaço.
Este artigo apresenta o Aura, um framework universal que melhora a previsão de séries temporais na aviação ao integrar sistematicamente fatores exógenos heterogêneos e multimodais através de um mecanismo de codificação tripartite, demonstrando desempenho superior em um grande conjunto de dados industriais da China Southern Airlines.
Este artigo propõe uma teoria formal de atribuições Aumann-Shapley em variedades baseada em fluxos generativos ótimos, que resolve artefatos fora da variedade ao definir um caminho de atribuição canônico como a geodésica de Wasserstein-2 que minimiza a energia cinética, garantindo invariância de reparametrização e superior alinhamento semântico em comparação com métodos existentes.
O artigo apresenta o ARC-TGI, um framework de código aberto que utiliza geradores de tarefas validados por humanos e cadeias de raciocínio para criar dinamicamente conjuntos de dados diversificados e controlados do ARC-AGI, superando problemas de superajuste e vazamento de dados ao garantir que exemplos de treinamento revelem consistentemente as regras subjacentes.
O artigo apresenta o BLINK, um modelo de espaço de estados recorrente baseado em trajetórias que aprende a dinâmica latente das interações entre células NK e tumor para prever resultados citotóxicos e fornecer uma representação interpretável do comportamento celular.
O artigo propõe um currículo de recompensa em duas etapas para aprendizado por reforço em robótica, que desacopla objetivos específicos da tarefa de termos comportamentais auxiliares, permitindo primeiro o aprendizado da tarefa e depois a introdução de otimizações como eficiência energética, resultando em um método simples e eficaz que supera as abordagens tradicionais em diversos ambientes.
Este artigo propõe o FedBCGD e sua versão acelerada FedBCGD+, métodos inovadores de descida de gradiente coordenada por blocos para aprendizado federado que dividem os parâmetros do modelo em blocos para reduzir significativamente a sobrecarga de comunicação e acelerar a convergência em modelos de grande escala.
O artigo apresenta o SRasP, uma nova rede de perturbação de estilo adversarial que utiliza orientação automática e otimização multi-objetivo para estabilizar o treinamento e melhorar a generalização em tarefas de Aprendizado Pouco Amostrado entre Domínios (CD-FSL).
Este artigo apresenta um método de amostragem guiada por difusão que utiliza modelos treinados em equações de advecção-reação-difusão para gerar campos de concentração fisicamente consistentes e prever com precisão as concentrações de saída em reações químicas gasosas, inclusive para parâmetros não vistos anteriormente.