4113 artigos
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.
Este artigo propõe dois novos algoritmos baseados em dados para estimar políticas ótimas de precificação e controle de estoque em ambientes offline com demanda censurada e dependente, superando desafios como a perda da propriedade de Markov e a não estacionariedade através de aproximações de MDPs de alta ordem e análise de sobrevivência.
Este artigo propõe um framework determinístico baseado em difusão para o controle da densidade de probabilidade de sistemas não lineares, utilizando um processo reverso de "remoção de ruído" para sintetizar leis de feedback que guiam o sistema a uma distribuição alvo, com garantias teóricas para sistemas sem deriva e LTI.
O artigo apresenta o SwitchMT, uma metodologia inovadora que utiliza Redes Neurais de Spiking com uma política de alternância de tarefas adaptativa para superar a interferência entre tarefas e permitir a aprendizagem multi-tarefa escalável e eficiente em agentes autônomos com recursos limitados.
O artigo apresenta o Panda, um modelo pré-treinado de previsão para sistemas caóticos que, ao ser treinado exclusivamente em dados sintéticos de equações diferenciais ordinárias, demonstra capacidades emergentes de previsão zero-shot em sistemas não vistos, incluindo equações diferenciais parciais e séries temporais do mundo real, preservando tanto a precisão de curto prazo quanto medidas distribucionais.
Este artigo apresenta uma revisão semiautomatizada e orientada por dados de pesquisas sobre as limitações de modelos de linguagem grandes (LLLMs) entre 2022 e 2025, identificando um crescimento acelerado do tema e mapeando suas principais tendências, como raciocínio, alucinação e segurança, por meio da análise de um vasto corpus de publicações.
Este artigo propõe um quadro de raciocínio abduzido baseado em consistência que integra previsões de múltiplos modelos pré-treinados para mitigar a degradação de desempenho em ambientes novos, utilizando regras lógicas para selecionar um subconjunto de previsões que maximize a cobertura mantendo inconsistências abaixo de um limite, resultando em ganhos significativos de precisão e recall em comparação com modelos individuais e ensembles padrão.
O artigo propõe o CARTGen-IR, um método sintético baseado em árvores de decisão para gerar dados tabulares que abordam a regressão desbalanceada sem o uso de thresholds arbitrários, oferecendo uma solução escalável, interpretável e eficiente para regiões de alvo esparsas.
Este estudo demonstra que, para previsão de vendas no varejo com demanda intermitente e dados incompletos, métodos baseados em árvores como o XGBoost superam arquiteturas de aprendizado profundo, indicando que a adequação às características do problema é mais crucial do que a sofisticação do modelo.
O artigo apresenta o ReLIFT, uma abordagem inovadora que intercala aprendizado por reforço (RL) e ajuste fino supervisionado (SFT) online para superar as limitações do RL ao adquirir novos conhecimentos e padrões de raciocínio, demonstrando melhorias significativas em benchmarks de alto nível com uso reduzido de dados.