3487 artigos
Este artigo propõe uma nova abordagem de aprendizado de variedades baseada na geometria de Finsler para capturar informações assimétricas nos dados, superando as limitações dos métodos tradicionais de geometria Riemanniana e gerando embeddings de qualidade superior que revelam estruturas ocultas como hierarquias de densidade.
Este artigo demonstra que o uso de representações visuais auto-supervisionadas, em vez de supervisionadas, melhora significativamente a generalização zero-shot de modelos de direção autônoma entre cidades com topologias e convenções de trânsito distintas, reduzindo drasticamente falhas de transferência em avaliações de circuito aberto e fechado.
Este artigo propõe um estimador neural estável de dependência estatística baseado em uma decomposição de razão de densidade ortogonal e ruído gaussiano auxiliar, permitindo a análise quantitativa de autoencoders determinísticos com menor custo computacional e maior estabilidade em comparação ao MINE.
O artigo apresenta o ZTab, um framework de anotação zero-shot baseado em domínio que supera as limitações dos modelos existentes ao gerar tabelas sintéticas para ajuste fino de LLMs, permitindo a detecção precisa de tipos semânticos em colunas de tabelas sem a necessidade de dados de treinamento rotulados específicos do usuário.
O artigo apresenta o UniHetCO, uma representação unificada de grafos heterogêneos que permite treinar um único modelo de otimização combinatória neural não supervisionado para múltiplas classes de problemas, utilizando uma função objetivo sem rótulos e um esquema de ponderação dinâmica para garantir estabilidade e desempenho competitivo.
O artigo apresenta o NEXTPP, um modelo inovador que unifica representações discretas e contínuas por meio de um mecanismo de interação cruzada dual para prever sequências de eventos temporais marcados com maior precisão do que os métodos existentes.
O artigo apresenta o HawkesRank, um framework dinâmico baseado em processos pontuais de Hawkes que quantifica a importância em redes através de intensidades de eventos instantâneas, superando as limitações das métricas de centralidade estáticas ao modelar tanto fatores endógenos quanto exógenos e demonstrar superioridade em simulações e análises empíricas de dinâmicas emocionais em plataformas online.
O artigo apresenta o KProxNPLVM, um novo modelo de variável latente probabilística não linear que utiliza relaxação baseada em distância de Wasserstein para eliminar o erro de aproximação inerente à inferência variacional amortizada convencional, resultando em sensores suaves mais precisos para dados industriais.
Este artigo apresenta dois modelos de aprendizado profundo, uma Rede de Atenção em Grafos (GAT) personalizada e um Modelo de Linguagem Grande (LLM) ajustado, que superam métodos estatísticos e de LSTM na previsão de séries temporais de tráfego ao capturar simultaneamente padrões temporais e correlações topológicas da rede.
O artigo apresenta o Sorometry, um pipeline de inteligência artificial que integra análise de imagens 2D e nuvens de pontos 3D para automatizar a identificação e quantificação de fitólitos, superando as limitações dos métodos manuais e permitindo análises em escala "ômica" de amostras arqueológicas e paleoecológicas.
O artigo propõe o "Grammar of the Wave", um framework de agentes neuro-simbólicos que utiliza a representação "Event Logic Tree" para detectar eventos em séries temporais multivariadas com base em descrições em linguagem natural, oferecendo detecções precisas e explicações interpretáveis mesmo com dados de treinamento limitados.
O artigo demonstra teoricamente e experimentalmente que o fenômeno de "attention sinks" é inevitável em modelos Transformers com atenção softmax devido à normalização, enquanto mecanismos de atenção não normalizados, como ReLU, conseguem resolver as mesmas tarefas sem esse comportamento.
O artigo apresenta o KEPo, um novo método de ataque de envenenamento projetado especificamente para sistemas GraphRAG, que explora a evolução de conhecimento e a estrutura de grafos para manipular com sucesso as respostas de modelos de linguagem, superando as limitações das técnicas de ataque tradicionais.
O artigo propõe o FedRecGEL, um novo framework de recomendação federada que reformula o problema como aprendizado multi-tarefa e utiliza minimização sensível à nitidez (SAM) para estabilizar o aprendizado de embeddings generalizados de itens em cenários heterogêneos, superando assim as limitações de privacidade e distribuição de dados dos métodos existentes.
O artigo apresenta o LongFlow, um método de compressão eficiente de cache KV que utiliza uma métrica de importância de baixo custo computacional e um kernel personalizado para reduzir significativamente o consumo de memória e aumentar a vazão em modelos de raciocínio de longa geração, mantendo a precisão do modelo.
O artigo apresenta o Gen-Fab, um modelo generativo baseado em cGAN que utiliza layouts de design para prever com alta precisão e modelar a incerteza das variações de fabricação em dispositivos nanofotônicos, superando métodos determinísticos e de ensemble em métricas de acurácia e distribuição.
Este artigo propõe uma técnica de reconhecimento de atividades humanas (HAR) baseada em CFD que oferece controle de privacidade ajustável ao separar atributos sensíveis das atividades no espaço latente, comparando-a com abordagens baseadas em autoencoders para few-shot learning e destacando a necessidade de futuros frameworks unificados que equilibrem privacidade, eficiência de dados e robustez em dispositivos IoT.
Este artigo propõe um método de otimização convexa quadrática inteira mista para estimar simultaneamente múltiplas distribuições discretas unimodais sob restrições de ordem estocástica, demonstrando redução na divergência de Jensen-Shannon em cenários com amostras pequenas ao analisar dados de comportamento de busca.
O artigo apresenta um framework de IA agêntica que utiliza um supervisor central para orquestrar dinamicamente ferramentas especializadas em múltiplas modalidades, resultando em uma redução significativa no tempo de resposta, retrabalho e custos sem comprometer a precisão.
O artigo propõe o framework Multi-Task Anti-Causal Learning (MTAC), que explora invariâncias causais entre tarefas relacionadas para reconstruir com maior precisão eventos urbanos, como violações de estacionamento e condições insalubres, a partir de relatórios de residentes.