172 artigos
Este artigo introduz a "vantagem de reconstrução" como uma métrica de risco unificada e mais precisa para calibrar o ruído e auditar a Privacidade Diferencial, superando as limitações das abordagens atuais baseadas em reconstrução robusta que podem fornecer estimativas de risco enganosas.
O artigo apresenta o STAMP, um novo mecanismo de privacidade para texto que otimiza o equilíbrio entre proteção e utilidade ao alocar orçamentos de privacidade seletivamente por token com base na importância da tarefa e na sensibilidade, utilizando um mecanismo polar que perturba apenas a direção dos embeddings para preservar a semântica.
Este artigo apresenta o HyGAMP, um framework sistemático que integra aproximações de passagem de mensagens baseadas no Teorema do Limite Central para interações fracas com atualizações padrão para interações fortes em modelos gráficos, permitindo um equilíbrio ajustável entre desempenho e complexidade computacional.
O artigo demonstra que, em modelos de decisão em equipe por votação com fusão de decisões locais, a aprendizagem social é inútil e o desempenho ótimo é alcançado quando os agentes ignoram as decisões anteriores, tornando as cédulas secretas a estratégia ideal.
O artigo demonstra que, em processos de aprendizagem social sequencial, é subótimo que agentes bayesianos utilizem probabilidades a priori corretas como crenças iniciais, pois a adoção de crenças imprecisas e sistemáticas por agentes iniciais maximiza a precisão da decisão do último agente ao priorizar a informatividade sobre a correção imediata.
Este artigo demonstra que estados super-2-extendíveis, incluindo estados apagados e estados de posto total, não podem ser utilizados para a distilação exata de chaves secretas com heraldação via comunicação unidirecional, revelando uma lacuna extrema entre essa capacidade e a distilação aproximada para muitos estados de interesse.
Este trabalho generaliza o teorema de Ziv-Merhav sobre a estimativa universal da entropia cruzada específica para uma classe mais ampla de medidas desacopladas, abrangendo pares de g-medidas regularizadas e medidas de equilíbrio provenientes de interações de pequeno espaço na mecânica estatística matemática.
Este artigo explora o potencial dos modelos de difusão generativa (GDM) nas comunicações MIMO massivas, oferecendo uma visão geral do tema, discutindo avanços recentes e apresentando um estudo de caso sobre estimação de canais em campo próximo para demonstrar a eficácia da GDM na aquisição de informações de estado do canal (CSI) ultra-dimensionais.
Este artigo apresenta um quadro matemático discreto baseado em partições grosseiras e na unificação categórica para quantificar a perda de informação em sistemas de IA, permitindo analisar as compensações entre precisão, interpretabilidade e custos de granularidade em contextos éticos sensíveis como educação e saúde.
Este artigo investiga o projeto de beamforming para sistemas de multicast multi-grupo baseados em arrays de abertura contínua (CAPA) visando maximizar a eficiência energética, propondo um algoritmo eficiente baseado em descida coordenada de blocos e uma abordagem de baixo custo com zero-forcing, demonstrando que, embora os CAPA superem as arrays discretas espaciais, o aumento do tamanho da abertura e a distribuição mais ampla dos usuários podem impactar negativamente o desempenho.
Este artigo estabelece as bases teóricas para a resolução das equações de Navier-Stokes com simetria axial em um cilindro com bases identificadas, apresentando uma base completa de formas harmônicas que decompõem o fluxo em componentes Beltrami e anti-Beltrami, e propondo um esquema hierárquico de relações quadráticas para determinar os coeficientes da solução via algoritmos de redes neurais informadas pela física.
Este artigo propõe e demonstra a optimalidade de novos esquemas de computação distribuída codificada para redes em anel, explorando a redundância computacional e a topologia de anel para otimizar a carga de comunicação nos cenários de "all-gather" e "all-to-all".
Este artigo apresenta o xBound, o primeiro framework teórico para calcular limites inferiores prováveis de cardinalidade em joins, demonstrando que corrigir a subestimação sistemática dos otimizadores de banco de dados pode prevenir a má alocação de recursos e acelerar significativamente consultas em escala de produção.
Este artigo propõe algoritmos de conformalização online que utilizam detecção de mudanças de distribuição para alcançar arrependimento cumulativo condicional ao treinamento minimax-ótimo em fluxos de dados não estacionários, tanto para scores pré-treinados quanto para modelos aprendidos online.
Este artigo estuda uma nova família de códigos geométricos para correção de erros em computação em memória baseada em cruzamentos resistivos, desenvolvendo uma análise geométrica que caracteriza seus perfis de altura-m para lidar com múltiplos erros fora do padrão em um modelo de ruído misto.
O artigo propõe o framework de Entropia de Padrão Baseada em Dicionário (DPE), que integra a Teoria da Informação de Shannon e a Teoria da Informação Algorítmica para inferir a direção causal e os subpadrões específicos em sequências simbólicas, demonstrando desempenho robusto e competitivo em diversos sistemas sintéticos e dados biológicos.
Este trabalho apresenta uma nova classe de entropias condicionais suaves e um lema de hash residual aprimorado que oferecem limites de uma única tentativa mais rigorosos para a amplificação de privacidade quântica, estabelecendo resultados assintóticos de segunda ordem ótimos e superando as melhores análises anteriores.
Este trabalho apresenta axiomatizações completas da divergência de Kullback-Leibler e das divergências de Rényi de ordem arbitrária, utilizando uma linguagem gráfica de diagramas de corda enriquecida com equações quantitativas para estudar a entropia relativa como um enriquecimento quantitativo de categorias de matrizes estocásticas sob estruturas monoidais de produto de Kronecker e soma direta.
Este artigo propõe uma abordagem híbrida que combina modelagem teórica e medições empíricas para determinar a alocação ótima de recursos computacionais em sistemas de inferência de LLM com desagregação Prefill-Decode, garantindo o cumprimento de objetivos de nível de serviço (SLOs) relacionados ao tempo de primeiro token e ao tempo por token de saída.
Este artigo aborda o problema de localização de um ponto desconhecido em a partir de medições de distância ruidosas, utilizando uma metodologia de pertinência a conjuntos para definir um "conjunto de localização" não convexo e desenvolver métodos eficientes de programação convexa que fornecem estimativas de localização garantidas através de aproximações externas (como caixas ou elipsoides) e internas desse conjunto.