65 artigos
Este artigo apresenta um framework baseado em aprendizado profundo que combina a descoberta de coordenadas e mapas de fluxo para criar uma abordagem de avanço temporal precisa e computacionalmente eficiente, capaz de simular sistemas multiescala complexos com alta acurácia e menor custo computacional.
Este artigo apresenta o MLES, uma abordagem inovadora que combina modelos de linguagem grandes multimodais com busca evolutiva e análise visual de falhas para descobrir políticas de controle programáticas transparentes e verificáveis, alcançando desempenho comparável ao PPO em tarefas de controle padrão.
Este artigo propõe um framework de orçamentação de picos consciente de energia para aprendizado contínuo em redes neurais de spiking, que integra replay de experiência e agendamento adaptativo para otimizar simultaneamente a precisão e a eficiência energética em sistemas de visão neuromórfica, demonstrando melhorias significativas tanto em dados baseados em quadros quanto em eventos.
O artigo apresenta o B-DENSE, um novo framework que utiliza alinhamento de trajetória multi-ramo para fornecer supervisão densa em modelos de difusão, mitigando erros de discretização e melhorando a qualidade da geração de imagens em comparação com métodos de destilação tradicionais.
Este artigo demonstra que a integração equilibrada de mecanismos complementares, como aprendizado contrastivo supervisionado, redes de Hopfield e redes recorrentes com portões hierárquicos, em Redes Neurais de Spiking resulta em melhorias significativas em precisão, eficiência energética e organização estrutural para visão neuromórfica, superando as abordagens de otimização isolada.
O artigo apresenta o Hebbian-Oscillatory Co-Learning (HOC-L), um framework dinâmico unificado que integra plasticidade estrutural hebbiana em geometria hiperbólica com sincronização de fase oscilatória, utilizando um parâmetro de ordem macroscópico para regular o fortalecimento das conexões sinápticas apenas quando há coerência de fase suficiente, garantindo convergência teórica e eficiência computacional em arquiteturas neurais esparsas.
Este trabalho desenvolveu uma estrutura de Redes Neurais Informadas por Física (PINN) para a reconstrução robusta de variáveis de estado ocultas e a estimativa de parâmetros biofísicos em modelos neuronais multiescala, superando as limitações de métodos tradicionais que dependem de solvers numéricos ao lidar com não-linearidades fortes e dados observacionais parciais e ruidosos.
Este trabalho propõe uma medida de planicidade exata e fiel à arquitetura para Redes Neurais Convolucionais (CNNs), derivando uma expressão fechada para o traço do Hessiano que considera as simetrias de escalonamento e interações de filtros, demonstrando empiricamente sua eficácia como ferramenta robusta para estimar o desempenho de generalização e orientar o design de modelos.
O artigo apresenta o DendroNN, uma rede neural centrada em dendritos que utiliza um mecanismo de detecção de sequências de pulsos e uma fase de reconfiguração sem gradientes para classificar dados baseados em eventos com alta eficiência energética, superando hardware neuromórfico atual em até quatro vezes na mesma tarefa de classificação de áudio.
Este artigo apresenta um método baseado em programação genética para a descoberta simbólica de equações diferenciais estocásticas que otimiza conjuntamente as funções de deriva e difusão, permitindo a recuperação precisa de equações governantes e a modelagem interpretável de sistemas dinâmicos ruidosos.
Este trabalho propõe um formalismo geral e biologicamente plausível que aproxima o algoritmo de retropropagação no tempo (BPTT) em redes neurais contínuas, unificando princípios de conservação de energia e ação extrema para derivar dinâmicas locais de erro e estender o modelo de Equilíbrio Latente Generalizado (GLE).
Este artigo apresenta um framework de Máquina de Vetores de Suporte (SVM) de caixa branca otimizado por algoritmos de enxame para a supervisão em tempo real de fresas dentadas, utilizando características de vibrações do eixo e seleção de recursos para monitorar falhas e desgaste das ferramentas.
Esta pesquisa de revisão examina a aplicação da teoria da utilidade na modelagem cognitiva de sistemas robóticos, analisando a evolução desde arquiteturas comportamentais até sistemas de valor em agentes individuais e multiagentes, e propõe direções futuras e problemas em aberto para o desenvolvimento de interações robóticas estáveis e confiáveis.
Este trabalho apresenta um neurônio analógico Leaky Integrate-and-Fire de ultra baixo consumo (1,61 fJ/espeto) fabricado em tecnologia CMOS de 28 nm, que, ao ser integrado em um sistema neuromórfico, alcança 82,5% de precisão na tarefa MNIST, demonstrando a viabilidade de soluções de aprendizado de máquina eficientes energeticamente para dispositivos embarcados.
Este artigo propõe uma reavaliação rigorosa da eficiência energética das Redes Neurais de Spiking (SNNs) em comparação com Redes Neurais Artificiais Quantizadas (QNNs), utilizando um modelo analítico abrangente que considera custos de movimentação de dados e memória, demonstrando que as SNNs só superam as QNNs em regimes operacionais específicos (como baixas taxas de disparo) e que, em cenários otimizados, podem dobrar a vida útil da bateria de dispositivos como relógios inteligentes.
Este estudo compara a abordagem interpretável ANFIS-FBCSP-PSO com o modelo de aprendizado profundo EEGNet para classificação de EEG de imagética motora, demonstrando que o primeiro oferece melhor desempenho intra-sujeito enquanto o segundo apresenta maior generalização entre sujeitos, fornecendo diretrizes para a seleção de sistemas BCI conforme o objetivo de interpretabilidade ou robustez.
Este artigo propõe uma abordagem neurodinâmica em dupla escala temporal para resolver problemas de otimização com restrições conjuntas geométricas robustas à distribuição, demonstrando que redes neurais podem convergir para o ótimo global sem métodos convencionais e aplicando-se com sucesso em casos de otimização de formas e telecomunicações.
O artigo apresenta o OptiRoulette, um meta-otimizador estocástico que seleciona dinamicamente regras de atualização durante o treinamento, demonstrando convergência mais rápida e confiável com ganhos significativos de precisão em múltiplos conjuntos de dados de classificação de imagens em comparação ao AdamW.
O artigo apresenta o RECAP, uma estratégia de aprendizado bioinspirada que combina dinâmicas de reservatório não treinadas com um mecanismo de leitura de protótipos auto-organizado baseado em Hebbian, permitindo classificação robusta de imagens sem o uso de retropropagação de erro.
Este artigo propõe um framework evolutivo fechado e impulsionado por Grandes Modelos de Linguagem que reconstrói automaticamente todos os sete componentes do Adaptive Large Neighborhood Search (ALNS), superando consistentemente as abordagens clássicas em benchmarks de otimização logística e revelando novos padrões de design através da análise de código.