11434 artigos
O artigo apresenta o Akkumula, um novo framework de modelagem para condutores que utiliza Redes Neurais de Spiking e técnicas de aprendizado profundo para simular realisticamente a acumulação de evidências e as ações de direção, superando as limitações dos métodos existentes em termos de adaptabilidade e eficiência computacional.
Este artigo apresenta o PubHealthBench, um novo benchmark com mais de 8000 perguntas derivadas de diretrizes do governo do Reino Unido para avaliar o conhecimento de modelos de linguagem em saúde pública, revelando que, embora os modelos proprietários mais recentes superem os humanos em testes de múltipla escolha, seu desempenho em respostas livres permanece abaixo do ideal, indicando a necessidade de salvaguardas adicionais.
Este artigo estabelece as fundações teóricas e a arquitetura de um único agente do framework EG-MRSI, que integra metacognição introspectiva, motivação intrínseca baseada em emoções e modificação recursiva segura para orientar o desenvolvimento de uma AGI aberta e segura.
Os autores propõem um novo framework de aprendizado de representação não supervisionado baseado em Minimização de Risco Invariante (IRM), introduzindo os métodos PICA e VIAE para aprender representações robustas e invariantes a mudanças de distribuição em dados não rotulados, validando sua eficácia em diversos conjuntos de dados sintéticos e reais.
O artigo apresenta o TSPulse, uma família de modelos pré-treinados ultra-leves com representações disjuntas que, através de um novo framework de pré-treinamento e estratégias de fusão adaptativas, alcança desempenho superior em diversas tarefas de diagnóstico de séries temporais com eficiência computacional e capacidade zero-shot, superando modelos significativamente maiores.
Este artigo estabelece um novo limite inferior de complexidade de amostragem e propõe uma regra de parada modificada para o algoritmo Track-and-Stop que atinge otimalidade assintótica na identificação da melhor braço em banditos estocásticos com múltiplos ótimos quando o número de braços ótimos é conhecido.
Este artigo apresenta o "Feature Mixing", um método simples e rápido para síntese de outliers multimodais que alcança desempenho de última geração na detecção e segmentação de dados fora de distribuição, além de introduzir o novo conjunto de dados CARLA-OOD para essa finalidade.
Este artigo analisa as propriedades de convergência e as dinâmicas de escape do Gradiente Estocástico (SGD) em paisagens unidimensionais, demonstrando como a variância do ruído e a geometria da função influenciam o tempo de permanência próximo a máximos locais e a probabilidade de transição para mínimos adjacentes.
Este artigo apresenta o conjunto de dados BAH, um recurso multimodal com 1.427 vídeos de 300 participantes, destinado ao reconhecimento automático de ambivalência e hesitação em intervenções digitais de mudança comportamental, incluindo anotações de especialistas e resultados de benchmarks que destacam a necessidade de modelos avançados para essa tarefa.
O artigo apresenta o SafeDPO, um método leve e baseado em teoria que otimiza diretamente a segurança de Grandes Modelos de Linguagem (LLMs) sem a necessidade de modelos de recompensa ou pipelines complexos, alcançando um equilíbrio competitivo entre segurança e utilidade.
O artigo apresenta o TADA, um framework que utiliza modelos de difusão para realizar aumento de dados direcionado apenas em exemplos não aprendidos precocemente, demonstrando que essa abordagem seletiva melhora a generalização de classificadores de imagem com menor custo computacional do que a augmentação de todo o conjunto de dados.
Este artigo propõe um filtro supervisionado baseado em cópula Gumbel para seleção de características na previsão de risco de diabetes, demonstrando que sua métrica de concordância de cauda superior (lambda U) identifica preditores clinicamente relevantes de forma eficiente e robusta em grandes conjuntos de dados, superando filtros padrão e competindo com métodos mais complexos.
Este artigo propõe a Calibração Supervisionada (SC), uma nova estrutura baseada em minimização de perda que supera as limitações dos métodos de calibração existentes em Aprendizado em Contexto (ICL) ao aprender transformações afins otimizadas para corrigir vieses sistemáticos e alterar a orientação das fronteiras de decisão de Grandes Modelos de Linguagem, alcançando desempenho superior em diversos conjuntos de dados e modelos.
Este artigo de revisão examina a lacuna entre a teoria de aproximação e a prática do aprendizado de máquina, discute tendências emergentes como redes profundas e operadores neurais, e apresenta uma nova pesquisa para realizar aproximação de funções em variedades desconhecidas sem a necessidade de aprender características específicas da variedade.
Este artigo apresenta um sistema de monitoramento de vibrações estruturais de baixo custo e potência, que integra uma camada difrativa otimizada com uma rede neural rasa para extrair remotamente espectros de vibração 3D de estruturas, superando as limitações de soluções convencionais em precisão e escalabilidade.
O artigo apresenta o AutoQD, um método que automatiza a descoberta de comportamentos diversos em otimização Qualidade-Diversidade (QD) ao gerar descritores comportamentais automaticamente a partir de medidas de ocupação de políticas, eliminando a necessidade de descritores manuais pré-definidos.
O artigo apresenta o C-EDL, uma abordagem pós-hoc leve para quantificação de incerteza que mitiga a vulnerabilidade do Aprendizado Profundo Evidencial a entradas adversariais e fora de distribuição ao gerar transformações diversas e ajustar previsões com base em conflitos, melhorando significativamente a robustez sem necessidade de retreinamento.
O artigo demonstra que a estimativa honesta em florestas causais, embora padrão para evitar overfitting, pode prejudicar a precisão das estimativas de efeitos de tratamento individuais ao limitar a detecção de heterogeneidade, sugerindo que sua adoção deve ser guiada por objetivos específicos e avaliação empírica em vez de ser reflexiva.
Os autores propõem uma nova abordagem bayesiana que generaliza o método federado ADMM ao demonstrar que a estrutura de dualidade de objetivos variacionais de Bayes não apenas recupera as atualizações do ADMM, mas também gera extensões não triviais, como variantes do tipo Newton e Adam, que melhoram a precisão em cenários heterogêneos.
Este artigo apresenta uma análise teórica que revela as limitações dos autoencoders esparsos (SAEs) na recuperação de características monossêmicas e propõe uma estratégia de reponderação (WSAE) com princípios teóricos de seleção de pesos para melhorar significativamente a interpretabilidade e a monosssemânticidade das características.