3821 artigos
Este artigo apresenta duas aproximações para a estratégia de aprendizado ativo BAIT que reduzem drasticamente sua complexidade computacional e de memória, permitindo sua aplicação eficiente em grandes conjuntos de dados como o ImageNet sem comprometer o desempenho.
Este estudo aplica técnicas de aprendizado de máquina explicável a um conjunto de dados de 28 anos no Golfo de Trieste para prever com precisão a toxicidade em mexilhões causada por florações de algas nocivas, identificando espécies específicas de dinoflagelados e fatores ambientais como preditores-chave para melhorar os sistemas de alerta precoce e a aquicultura sustentável.
Este artigo formula problemas de parada ótima contínua sob uma perspectiva de aprendizado por reforço exploratório, introduzindo uma versão regularizada via entropia residual que transforma o problema em um controle estocástico singular, permitindo a identificação de estratégias ótimas e o desenvolvimento de algoritmos escaláveis de aprendizado por reforço.
O artigo apresenta o Mamba Neural Operator (MNO), um novo framework que supera os Transformers na resolução de equações diferenciais parciais ao estabelecer uma conexão teórica entre modelos de espaço de estado estruturados e operadores neurais, permitindo uma captura mais eficaz de dinâmicas contínuas e dependências de longo alcance.
O artigo apresenta o EarthquakeNPP, um novo benchmark que corrige falhas anteriores e demonstra que, atualmente, nenhum dos cinco modelos de Processos Pontuais Neurais testados supera o modelo ETAS clássico para previsão de terremotos na Califórnia.
O artigo propõe uma teoria de memorização geométrica que demonstra como os modelos de difusão, ao enfrentar escassez de dados, passam por um colapso suave de suas dimensões latentes, condensando gradualmente a geração de novas variações em uma replicação quase pontual de exemplos de treinamento, um fenômeno distinto entre a generalização e a cópia exata.
O artigo apresenta o 3D-PIUNet, um método híbrido inovador que combina soluções físicas iniciais com redes neurais convolucionais 3D para melhorar significativamente a precisão espacial na reconstrução de fontes cerebrais a partir de sinais de EEG, superando tanto as abordagens tradicionais quanto as baseadas puramente em aprendizado de dados.
Este estudo propõe um novo framework de aprendizado contínuo para classificação incremental de classes que supera a necessidade de identificadores de tarefa explícitos ao utilizar detecção de distribuição fora do padrão em cabeças de classificação específicas para prever a tarefa, combinando normalização de lote específica para tarefas para equilibrar plasticidade e estabilidade com crescimento mínimo de parâmetros.
O artigo propõe o método agnóstico ao modelo CLIQUE, uma nova técnica de importância local de variáveis que supera as limitações de métodos existentes ao capturar relações dependentes localmente, lidar nativamente com problemas de classificação multiclasse e reduzir vieses em regiões onde as variáveis não afetam a resposta.
Este trabalho apresenta uma nova rede neural quântica de camada única baseada na Base de Bloco Recursiva Padrão (SRBB) que utiliza propriedades de álgebras de Lie para sintetizar unitários de forma escalável, reduzindo exponencialmente o número de portas CNOT e demonstrando eficácia tanto em simulações quanto em hardware real.
Este artigo propõe uma nova família de modelos estatísticos para comparações pareadas que dispensa a suposição de transitividade estocástica, utilizando uma matriz antissimétrica de baixa dimensão para capturar dinâmicas complexas e alcançar desempenho preditivo superior e otimização minimax, mesmo em cenários com dados esparsos.
Este artigo apresenta o PoLAr-MAE, um modelo de aprendizado auto-supervisionado que utiliza modelagem de pontos mascarados para aprender representações de trajetórias de partículas em dados de câmaras de projeção temporal de argônio líquido (LArTPC), alcançando desempenho de segmentação semântica comparável ao estado da arte com apenas 100 eventos rotulados e liberando um novo conjunto de dados de 1 milhão de eventos para impulsionar a pesquisa na área.
Este estudo aplica técnicas de Aprendizado de Máquina em Grafos para prever atrasos de voos causados por manobras de espera, demonstrando que um modelo CatBoost enriquecido com características de grafos supera as Redes de Atenção Gráfica (GAT) em dados desbalanceados e oferece uma ferramenta web para simulação em tempo real, visando melhorar a eficiência operacional e a experiência dos passageiros.
Este artigo propõe um algoritmo de bandito contextual online baseado em otimismo para RL regularizado por KL, demonstrando que a paisagem de otimização benigna induzida pela regularização permite alcançar limites de arrependimento logarítmico tanto em contextos de bandito quanto em aprendizado por reforço completo, superando as limitações de trabalhos teóricos anteriores.
Este artigo apresenta o DIFU-Ada, um framework de adaptação no tempo de inferência que permite a generalização zero-shot entre diferentes problemas e escalas em solucionadores de otimização combinatória baseados em difusão, sem a necessidade de treinamento adicional.
Este artigo demonstra que o espaço latente do CLIP possui limitações geométricas fundamentais que impedem a representação simultânea de múltiplas propriedades semânticas e propõe os Mapas de Similaridade Cosseno Densa (DCSMs) como uma solução interpretável que supera essas restrições, preservando a topologia semântica e melhorando o desempenho em diversos benchmarks.
O artigo demonstra que modelos recentes de supressão de ruído em fala podem ser facilmente enganados por ruído adversarial imperceptível, resultando em áudio ininteligível e destacando a necessidade de contramedidas antes de sua adoção em aplicações críticas.
Este artigo propõe um algoritmo de aprendizado online baseado em bandit contextual para otimizar as ofertas de produtores eólicos com poder de mercado (price-makers), permitindo minimizar custos de desequilíbrio e garantir a minimização do arrependimento sem a necessidade de modelos de mercado complexos ou computacionalmente onerosos.
Este artigo propõe um algoritmo de Máquinas de Vetores de Suporte (SVM) ajustado à covariância para espaços não euclidianos, que utiliza a decomposição de Cholesky para superar as limitações das condições KKT tradicionais e demonstrar superioridade em precisão e métricas de desempenho em comparação com métodos convencionais.
Este artigo propõe um método de fusão de imagens com poucos exemplos que introduz o conceito de "priors incompletos" e um algoritmo de computação de granularidade de pixel (GBPC) para permitir que redes neurais leves aprendam regras de fusão adaptativas sem a necessidade de imagens fundidas reais supervisionadas.