2379 artigos
O artigo apresenta o A3RL, um método que integra aprendizado por reforço online e offline através de uma estratégia de amostragem ativa consciente da confiança para priorizar dados alinhados às necessidades da política, superando desafios como esquecimento catastrófico e ineficiência de amostragem.
O artigo apresenta o framework "Texts as Time Series" (TaTS), que aproveita as propriedades periódicas de textos pareados com séries temporais para aprimorar a previsão e imputação multimodal em modelos existentes, sem a necessidade de alterar suas arquiteturas.
O artigo apresenta o LaVCa, uma abordagem baseada em modelos de linguagem grandes (LLMs) que gera legendas em linguagem natural para descrever com maior precisão e detalhe a seletividade de voxels no córtex visual humano, superando métodos anteriores e revelando diferenciações funcionais de alta granularidade.
Este artigo propõe o framework COD (Clustering-On-Difficulty), que agrupa tarefas por características de escalabilidade de dificuldade para prever com alta precisão o desempenho de modelos de linguagem grandes em benchmarks downstream, superando as limitações das metodologias atuais devido ao fenômeno de emergência e à variabilidade de métricas.
Este estudo propõe um algoritmo que funde imagens de ressonância magnética multimodais (T1, T2, T1ce e FLAIR) segmentadas por redes U-Net em 2D e 3D e classificadas por um modelo ResNet50, alcançando uma precisão de 99,25% na subclasse de gliomas e superando técnicas existentes.
Este trabalho propõe o método LOOP (Leave-One-Out PPO), uma nova abordagem de aprendizado por reforço para o ajuste fino de modelos de difusão texto-para-imagem que combina técnicas de redução de variância do REINFORCE com a robustez e eficiência amostral do PPO, superando as limitações de ambos ao alcançar um melhor equilíbrio entre eficiência de amostragem e desempenho final.
O artigo propõe o OrthoGrad, um método inovador de desaprendizagem de máquina que projeta o gradiente dos dados a serem esquecidos no subespaço ortogonal aos gradientes de um pequeno conjunto de retenção, mitigando assim a interferência e preservando o desempenho do modelo mesmo quando o conjunto de treinamento completo não está disponível.
Este estudo apresenta o GlucoLens, um sistema de aprendizado de máquina explicável que utiliza dados de wearables e registros de dieta para prever a hiperglicemia pós-prandial e sugerir caminhos comportamentais personalizados para sua prevenção.
O artigo apresenta o IMPACT, um novo framework de planejamento de movimento que utiliza Modelos Visuais-Linguísticos para inferir a semântica do ambiente e gerar mapas de custo anisotrópicos, permitindo que robôs realizem trajetórias ricas em contato de forma segura e eficiente em cenários desordenados.
O artigo apresenta as Equivalências de Protótipos Suaves (SPE), uma estrutura baseada em redes neurais invertíveis que caracteriza o comportamento de longo prazo de sistemas dinâmicos não lineares a partir de medições esparsas e ruidosas, permitindo a identificação de estruturas invariantes e a classificação de regimes dinâmicos sem a necessidade de equações explícitas.
O artigo apresenta o MUSS, um novo método multilevel para seleção de subconjuntos relevantes e diversos que supera abordagens existentes como MMR e DGDS em precisão e velocidade (até 80 vezes mais rápido), oferecendo além disso uma análise teórica com limites de aproximação aprimorados para aplicações em sistemas de recomendação e RAG.
O artigo apresenta o EDU-PRM, um novo modelo de recompensa de processo baseado em entropia que elimina a necessidade de anotações manuais ao segmentar automaticamente os passos de raciocínio em pontos de alta incerteza, alcançando desempenho superior com apenas 1,5% dos dados de treinamento e reduzindo o uso de tokens em 32%.
Este estudo aprimora a previsão da Síndrome Metabólica através da avaliação de modelos de aprendizado de máquina combinados com técnicas avançadas de balanceamento de dados e uma nova estrutura híbrida chamada MetaBoost, além de utilizar análise contrafactual para identificar que a glicose no sangue e os triglicerídeos são os fatores mais críticos para a redução do risco.
Este estudo demonstra que, embora a estimativa direta de dificuldade de itens educacionais por modelos de linguagem grandes (LLMs) seja promissora, a abordagem que combina a extração de características cognitivas e linguísticas via LLM com algoritmos de aprendizado de máquina baseados em árvores (como florestas aleatórias e gradient boosting) alcança maior precisão preditiva para itens de matemática e leitura do ensino fundamental, oferecendo um fluxo de trabalho eficiente para reduzir a dependência de testes de campo extensivos.
Este trabalho apresenta o primeiro agente de corrida autônomo baseado em visão, que utiliza apenas dados de câmeras e sensores a bordo para superar os pilotos nativos do Gran Turismo 7 em nível de campeão, eliminando a necessidade de localização precisa externa durante a inferência.
Os autores desenvolvem um framework de resposta linear baseado em mecânica estatística bayesiana para interpretar modelos de linguagem pequenos, permitindo identificar módulos funcionais como cabeças de indução através da análise de susceptibilidades que quantificam a resposta do modelo a perturbações na distribuição de dados.
O artigo propõe o HetGL2R, um framework de aprendizado de aprendizado de ranking baseado em grafos heterogêneos que integra fluxos origem-destino e informações de rotas para capturar dependências espaciais de longo alcance e melhorar a classificação de importância de segmentos rodoviários, superando os métodos existentes em simulações de redes SUMO.
Este artigo apresenta uma revisão abrangente que consolida benchmarks, propõe uma taxonomia unificada, analisa frameworks de agentes autônomos e protocolos de colaboração, e discute aplicações reais e direções futuras para a evolução dos modelos de linguagem e agentes de IA.
O artigo apresenta o StablePCA, uma nova estrutura de aprendizado robusto que utiliza relaxação convexa e o algoritmo Mirror-Prox para extrair representações latentes estáveis de dados multi-fonte, superando desafios de otimização não convexa e fornecendo garantias de convergência e certificação de qualidade.
Este artigo propõe um framework de otimização de políticas offline individualizado para processos de decisão de Markov heterogêneos, introduzindo o algoritmo P4L que utiliza variáveis latentes individuais para garantir uma taxa rápida de arrependimento médio e superar métodos tradicionais ao lidar com dados heterogêneos.