11839 artigos
Este estudo apresenta um quadro de aprendizado por reforço baseado em Double Deep Q-Network (DDQN) com Replay de Experiência Priorizada, capaz de prever episódios de Congelamento da Marcha em pacientes com Parkinson até 8,72 segundos antes do início, permitindo intervenções proativas em dispositivos vestíveis.
Este artigo propõe o framework GNFBC, que utiliza um mecanismo de realimentação negativa para corrigir o viés introduzido pela suposição de homofilia em Redes Neurais de Grafos, permitindo assim um modelamento eficaz e adaptativo de grafos heterofílicos sem depender de estratégias de agregação específicas.
Este artigo formaliza o aprendizado para comunicação em ambientes parcialmente observáveis através de estruturas de informação, identificando problemas "quase-clássicos" que preservam essa estrutura após o compartilhamento de informações e desenvolvendo algoritmos de planejamento e aprendizado com complexidade comprovada para esses casos.
O artigo apresenta o MAP, um método inovador de proteção de privacidade facial que utiliza edições emocionais e o ajuste fino de uma rede de pontuação para disfarçar identidades originais, superando abordagens anteriores em fidelidade, adaptabilidade a diversos grupos demográficos e eficácia contra sistemas de reconhecimento facial.
O artigo propõe o método LSMR, que aproveita a localidade induzida por modelos para reduzir drasticamente o custo computacional da valoração de dados via valor de Shapley, retraindo apenas os subconjuntos de dados verdadeiramente influentes para cada instância de teste.
Este trabalho deriva uma nova identidade de Stein para q-Gaussianas com suporte limitado, generalizando teoremas anteriores e simplificando sua aplicação via distribuições de escolta, o que permite estimadores de gradiente com baixa variância úteis para aprendizado profundo bayesiano e minimização sensível à nitidez.
Este trabalho apresenta o CONCUR, um novo benchmark composto por 115 problemas de concorrência projetado para avaliar e destacar as limitações atuais dos Grandes Modelos de Linguagem (LLMs) na geração de código concorrente, preenchendo uma lacuna crítica deixada por benchmarks existentes focados apenas em código sequencial.
Este trabalho estabelece limites de erro de amostragem finita para modelos de difusão baseados em pontuação, demonstrando que eles se adaptam à estrutura intrínseca de baixa dimensão dos dados e superam a maldição da dimensionalidade, com taxas de convergência que dependem da dimensão de Wasserstein da distribuição em vez da dimensão ambiente.
Este artigo propõe uma nova perspectiva teórica baseada na redução da informação mútua para criar exemplos não aprendíveis, introduzindo o método MI-UE que maximiza a similaridade cosseno entre características intra-classe para impedir eficazmente a generalização de modelos não autorizados.
O artigo apresenta o JANUS, um novo framework que unifica a geração de dados sintéticos de alta fidelidade, o controle rigoroso de restrições lógicas complexas e a estimativa eficiente de incerteza, superando as limitações dos modelos atuais ao utilizar uma estrutura de árvores de decisão bayesianas com um algoritmo de preenchimento reverso que garante 100% de satisfação das restrições sem necessidade de rejeição.
O artigo apresenta o MOOSE-Star, um quadro unificado que supera a intratabilidade matemática do treinamento direto para descoberta científica ao reduzir a complexidade de exponencial para logarítmica através de tarefas decompostas, busca hierárquica orientada por motivação e composição limitada, apoiado pelo novo conjunto de dados TOMATO-Star.
Este artigo propõe e analisa o framework de aprendizado alternado , que permite a um agente global e a uma população massiva de agentes locais em sistemas com restrições de comunicação convergirem para um Equilíbrio de Nash aproximado com complexidade de amostra reduzida, validando a eficácia da abordagem em simulações de controle multi-robô e otimização federada.
O artigo propõe o HDT, um método de destilação de dados que utiliza a transformada de Fourier e correspondência harmônica no domínio da frequência para sintetizar conjuntos de dados compactos, superando as limitações de escalabilidade e sobreajuste dos métodos convencionais em previsões de séries temporais.
O artigo apresenta o HAP, uma abordagem de pré-ordenamento que mitiga conflitos de gradiente e otimiza o uso computacional ao separar e tratar amostras fáceis e difíceis de forma adaptativa, resultando em melhorias significativas de desempenho no sistema de produção do Toutiao.
Este artigo apresenta a LEA (Ataque de Enumeração de Rótulos), um novo método de ataque à privacidade em Aprendizado Federado Vertical que, sem necessidade de dados auxiliares, enumera mapeamentos de rótulos utilizando similaridade de gradientes e uma estratégia binária otimizada para superar limitações de cenários anteriores e resistir a mecanismos de defesa comuns.
Este artigo propõe o framework "Two-Phase Suffix Imitation" para resolver o problema de Bandit Contextual Inverso sem recompensas, demonstrando que um observador passivo pode recuperar a política ótima com a mesma eficiência assintótica que um agente que tem acesso às recompensas, apesar da não estacionariedade dos dados.
Este trabalho propõe o R-Design, um novo paradigma de design experimental adaptativo que utiliza dados observacionais como prioridade para estimar apenas os resíduos de viés, demonstrando teoricamente e empiricamente que essa abordagem é mais eficiente do que aprender efeitos causais do zero.
O artigo apresenta o TAP, um framework livre de treinamento que acelera a inferência de modelos de difusão ao selecionar adaptativamente, para cada token e passo de amostragem, o preditor mais eficiente com base em uma sonda de baixo custo, alcançando grandes ganhos de velocidade sem perda perceptível de qualidade.
Este artigo propõe um esquema de reinicialização adaptativa e seletiva, combinado com um regularizador sensível à importância e um mecanismo de ajuste dinâmico, para mitigar o colapso do modelo e preservar o conhecimento essencial durante a adaptação contínua em tempo de teste de longo prazo.
Este artigo propõe um modelo crítico supervisionado por rubricas que aprende a partir de interações humano-agente esparsas e ruidosas, demonstrando melhorias significativas no reranking, na detecção precoce de falhas e na curadoria de dados para agentes de codificação em cenários do mundo real.