3797 artigos
Este artigo apresenta o Autoencoder Constrained Neuromodulado (NcAE), uma abordagem que integra um mecanismo de neuromodulação para permitir a aprendizagem de variedades dependentes do contexto, desacoplando com sucesso parâmetros globais de representações locais e adaptando-se a mudanças ambientais sem confundir essas variações com os dados de entrada.
Este artigo propõe métodos de aprendizado por reforço que preservam a entropia, como REPO e ADAPO, para evitar a redução prematura da diversidade de exploração em algoritmos de gradiente de política, resultando em modelos mais performáticos e adaptáveis.
Este artigo propõe um novo framework de mediação causal para síntese de fala (TTS) que, ao integrar condicionamento de emoção e objetivos de treinamento contrafactual na arquitetura FastSpeech2, consegue desentrelaçar o prosódia emocional do conteúdo linguístico, resultando em uma síntese de fala mais expressiva, controlável e com maior precisão na transferência de emoções entre falantes.
Este artigo introduz e valida uma decomposição teórica da multiplicidade observacional em árvores de decisão, identificando o arrependimento estrutural como o principal fator de variabilidade e demonstrando que o uso dessas medidas como mecanismo de abstenção melhora a segurança e a precisão do modelo.
O artigo apresenta o EvoFlows, uma abordagem de modelagem de sequências proteicas baseada em fluxo evolutivo que, ao prever edições controladas (inserções, deleções e substituições) em sequências-template, gera mutantes naturais de alta qualidade superando modelos de linguagem tradicionais em tarefas de engenharia de proteínas.
O artigo apresenta o CRAN-PM, uma rede de atenção cruzada baseada em Vision Transformer que combina dados meteorológicos globais e locais de alta resolução de forma eficiente em memória, alcançando previsões de PM2.5 em escala continental com maior precisão e consistência física em comparação com modelos existentes.
O artigo apresenta o CINDI, um framework probabilístico não supervisionado baseado em fluxos normalizadores condicionais que unifica a detecção de anomalias e a imputação de dados em séries temporais multivariadas de redes elétricas, oferecendo uma solução robusta e escalável para restaurar a integridade de dados corrompidos por ruído.
Este artigo demonstra que a aplicação de métodos de calibração pós-hoc, como o Escalonamento de Platt e a Regressão Isotônica, reduz significativamente a multiplicidade preditiva e o arbítrio algorítmico em modelos de risco de crédito, especialmente beneficiando observações da classe minoritária.
Este artigo propõe um método de detecção de anomalias em séries temporais multivariadas que, ao invés de depender da verossimilhança no espaço de observação, utiliza fluxos normalizadores condicionais com viés indutivo para restringir as representações latentes a dinâmicas temporais prescritas, permitindo identificar anomalias como violações dessas dinâmicas através de testes estatísticos de aderência.
Este artigo propõe um algoritmo de aprendizado de banda social baseado em energia livre que permite a um agente avaliar e integrar as políticas de outros agentes sem conhecimento de suas recompensas, demonstrando convergência teórica e superioridade empírica ao explorar eficazmente a expertise de agentes não especialistas e diversos para melhorar o aprendizado individual com arrependimento logarítmico.
Este artigo propõe um modelo de tomada de decisão sequencial que estende o conceito de "cheiro de informação" para explicar o comportamento de navegação por tentativa e erro, demonstrando que usuários, sob restrições de memória e tempo, inspecionam estrategicamente links e cometem erros previsíveis ao priorizar o "suficiente" em vez de analisar páginas inteiras.
Este artigo demonstra que a política Follow-the-Perturbed-Leader (FTPL) com distribuições Fréchet e Pareto atinge garantias de "melhor dos dois mundos" (regret ótimo em cenários adversariais e logarítmico em estocásticos) para o problema de semi-bandidos de -conjuntos, além de propor uma estimativa de perda eficiente que reduz a complexidade computacional de para .
Este artigo analisa o colapso de modelos em geradores de linguagem sob uma perspectiva teórica de aprendizado, demonstrando que a reutilização de saídas anteriores (replay) limita fundamentalmente a geração não uniforme e em limite, ao mesmo tempo que valida heurísticas práticas como limpeza de dados e filtragem de saída.
Este trabalho propõe um método que permite a um agente incorporado descobrir autonomamente a estrutura de grupos de simetria do seu espaço de ações através de interação não supervisionada, provando a identificabilidade da decomposição e derivando algoritmos para aprender representações desentrelaçadas sem depender de conhecimento prévio ou suposições restritivas sobre os subgrupos.
O artigo unifica os principais ataques de inferência de associação (LiRA, RMIA e BASE) sob um único framework de razão de verossimilhança da família exponencial e propõe o BaVarIA, um ataque baseado em inferência bayesiana de variância que supera ou iguala o desempenho dos métodos existentes, especialmente em cenários com orçamento limitado de modelos sombra.
O artigo apresenta o OSMDA, um framework de adaptação de domínio autocontido para Modelos Visuais-Linguísticos em sensoriamento remoto que elimina a dependência de modelos professores externos ou anotações manuais, utilizando em vez disso metadados do OpenStreetMap renderizados para gerar automaticamente dados de treinamento e alcançar resultados de última geração de forma escalável e econômica.
Este capítulo estabelece os fundamentos para o aprendizado de máquina com quatérnions, abordando estatísticas aumentadas, modelos amplamente lineares, cálculo algébrico e estimação de erro quadrático médio para viabilizar a aplicação prática dessa área em crescimento.
O artigo propõe o Operador Neural Inverso (INO), um framework de duas etapas que recupera com alta precisão e velocidade parmetros de ODEs a partir de observações esparsas, superando métodos baseados em gradiente ao evitar instabilidades em regimes rígidos e reduzir o tempo de inferência em 487 vezes.
O artigo propõe um framework de sensoriamento CSI via WiFi para múltiplas estações que combina aprendizado auto-supervisionado invariante a falhas e aumento de dados com mascaramento específico de estações para superar simultaneamente a ausência de recursos por estação e a escassez de dados rotulados.
Este artigo reexamina a Normalização de Instância Reversível (RevIN) no contexto de previsão de séries temporais, identificando desafios centrais de distribuição e demonstrando, por meio de estudos de ablação, que componentes específicos da técnica são redundantes ou prejudiciais, propondo assim novas perspectivas para aprimorar sua robustez e generalização.