3735 artigos
O artigo apresenta o GGE, um framework de código aberto em Python que estabelece um protocolo de avaliação padronizado e reprodutível para modelos generativos de expressão gênica em células únicas, abordando a inconsistência atual nas métricas e permitindo comparações justas entre diferentes abordagens.
O artigo apresenta o DISCOMAX, um algoritmo diferenciável baseado em estatística termodinâmica que garante consistência termodinâmica durante o treinamento e inferência, permitindo o aprendizado eficaz de modelos de energia livre de excesso para prever equilíbrios de fases líquidas.
Este artigo apresenta um framework integrado de aprendizado de máquina que combina a transformação de Hopf-Cole e redes neurais para modelar com precisão o fluxo não linear de gás em meios porosos, permitindo a simulação eficiente e a inversão de parâmetros de permeabilidade dependentes da pressão em formações de baixa permeabilidade.
Este artigo identifica o colapso da sensibilidade a domínios (DSC) como uma falha geométrica em modelos treinados em domínio único que prejudica a detecção de dados fora de distribuição (OOD) e propõe a Treinamento Guiado por Professor (TGT), que utiliza um professor multi-domínio para preservar informações de deslocamento de domínio durante o treinamento, melhorando significativamente a detecção OOD sem custo adicional na inferência.
Este artigo propõe a integração de algoritmos de agendamento conscientes da duração, como HRRN, no motor vLLM para pipelines de reconhecimento automático de fala, demonstrando que essa abordagem reduz significativamente a latência média sob cargas variáveis sem comprometer o throughput ou causar degradação excessiva na latência de cauda.
O artigo "RIE-Greedy" propõe uma estratégia de seleção de ações puramente gananciosa que utiliza a aleatoriedade inerente ao processo de regularização via validação cruzada durante o treinamento de modelos como uma fonte intrínseca de exploração, demonstrando teoricamente sua equivalência ao Thompson Sampling em bandits de dois braços e validando empiricamente sua eficácia em ambientes de negócios em larga escala.
Este artigo apresenta o desafio SMLM-C, um benchmark biologicamente inspirado que revela que os modelos de espaço de estado (SSMs) enfrentam dificuldades significativas ao modelar a dinâmica de "piscamento" irregular e de cauda pesada em dados de microscopia de localização de molécula única, destacando a necessidade de modelos sequenciais mais adequados para processos temporais esparsos e irregulares na imagem científica.
Este artigo apresenta o wcPCA, uma estrutura unificada para aproximações de baixo posto que otimiza o desempenho no pior caso em cenários com deslocamento de distribuição entre domínios heterogêneos, garantindo otimalidade teórica e demonstrando melhorias significativas em aplicações reais com apenas perdas mínimas no desempenho médio.
O artigo propõe um método de aprendizado federado que condiciona um único modelo global às estatísticas locais de PCA de cada cliente, alcançando desempenho superior e robustez à escassez de dados em cenários de heterogeneidade complexa sem exigir comunicação adicional.
Este artigo propõe uma abordagem de Análise de Componentes Principais (PCA) robusta para dados com caudas pesadas, baseada em uma perda logarítmica que permite recuperar as componentes principais do gerador Gaussiano subjacente mesmo na ausência de momentos finitos, superando assim as limitações da PCA clássica em cenários de ruído impulsivo.
O artigo apresenta o MRI2Qmap, um framework de reconstrução quantitativa que supera a escassez de dados de treinamento para Imageamento por Ressonância Magnética (MRF) ao integrar um modelo físico de aquisição com priores de desruído aprendidos por redes neurais em grandes conjuntos de imagens ponderadas de rotina clínica, permitindo reconstruções de alta qualidade sem necessidade de dados quantitativos reais para treinamento.
O artigo demonstra que, ao contrário dos modelos de difusão, a dinâmica de Langevin não é robusta a erros no estimador da função de pontuação, produzindo distribuições distantes do alvo mesmo com erros arbitrariamente pequenos e em horizontes de tempo polinomiais, o que reforça a preferência pelos modelos de difusão na prática.
O artigo apresenta a Hindsight-Anchored Policy Optimization (HAPO), um novo método que utiliza um mecanismo de injeção de sucesso sintético e um controle baseado em amostragem de Thompson para superar os desafios de recompensas esparsas e viés de distribuição no GRPO, garantindo convergência assintótica e permitindo que o modelo supere as limitações do ensino estático.
O artigo apresenta o MR-Search, uma abordagem de aprendizado por reforço meta com autorreflexão que permite a agentes de busca adaptar suas estratégias entre episódios utilizando reflexões explícitas como contexto, resultando em melhorias significativas de generalização e desempenho em diversos benchmarks.
Este estudo analisa sistematicamente como a má condicionalidade numérica, causada por multicolinearidade em bibliotecas de funções, compromete a descoberta de equações dinâmicas em sistemas biológicos, demonstrando que bases polinomiais ortogonais só melhoram a recuperação do modelo quando os dados são amostrados de distribuições alinhadas às suas funções de peso.
O artigo propõe um modelo teórico baseado em sistemas de vidro de spin para explicar como a injeção de prompts adversariais em modelos de linguagem grandes faz com que a taxa de sucesso de jailbreaks transite de um crescimento polinomial para um crescimento exponencial com o aumento das amostras, devido à indução de uma fase ordenada sob campos magnéticos fortes.
Este artigo estabelece que o cálculo de múltiplos cabeçalhos de atenção em transformadores não pode ser realizado de forma mais eficiente do que a avaliação independente de cada um, provando que os algoritmos atuais são essencialmente ótimos sob a Hipótese de Tempo de Satisfação Forte (SETH) e o teorema de Baur-Strassen.
O artigo apresenta o FinRule-Bench, um novo benchmark que avalia a capacidade de modelos de linguagem de realizar raciocínio financeiro baseado em regras e diagnósticos de conformidade em tabelas financeiras reais, revelando que, embora performem bem na verificação isolada de regras, suas capacidades degradam-se significativamente em tarefas que exigem discriminação de princípios e diagnóstico de múltiplas violações simultâneas.
O artigo apresenta a "Teleodynamic Learning", um novo paradigma de aprendizado de máquina inspirado em sistemas vivos que trata a inteligência como a co-evolução de representação, adaptação e recursos sob restrições, resultando no modelo DE11 capaz de gerar regras lógicas interpretáveis e alcançar alta precisão em benchmarks sem depender da minimização de objetivos fixos.
Este estudo investiga a detecção de fraude financeira em contextos multilíngues (Bangla e Inglês), demonstrando que modelos clássicos de aprendizado de máquina, como SVM Linear, superam arquiteturas baseadas em transformers em precisão geral, embora os transformers apresentem maior capacidade de recuperação de fraudes, ao mesmo tempo em que destacam padrões linguísticos distintivos e os desafios impostos pela diversidade linguística e codificação mista.