337 artigos
Nesta seção, exploramos a interseção fascinante entre a física e a análise de dados, onde teorias complexas encontram o poder da computação moderna para revelar padrões ocultos no universo. Aqui, os princípios fundamentais da matéria e da energia são aplicados a conjuntos de informações massivos, permitindo que cientistas testem hipóteses com precisão sem precedentes e descubram novas fronteiras no nosso entendimento da realidade.
No Gist.Science, monitoramos diariamente o arXiv para trazer as pesquisas mais recentes desta categoria diretamente até você. Processamos cada novo pré-publicação, oferecendo tanto um resumo técnico detalhado para especialistas quanto uma explicação em linguagem simples para que qualquer pessoa possa acompanhar as descobertas. Abaixo, você encontrará a lista atualizada dos artigos mais recentes em Física — Análise de Dados.
Este artigo propõe um algoritmo de agrupamento topológico hierárquico que, ao permitir qualquer escolha de métrica de distância, consegue identificar clusters de formatos arbitrários e detectar *outliers* em diversos tipos de dados, superando limitações de técnicas convencionais.
O artigo propõe o processo Poisson Log-Normal (PoLoN), uma abordagem não paramétrica baseada em processos Gaussianos que utiliza regressão de taxas logarítmicas para modelar, prever e extrair sinais de dados de contagem inteiros, demonstrando eficácia tanto em dados sintéticos quanto em dados reais do CERN.
Este artigo apresenta o pacote de R `PoissonRatioUQ`, desenvolvido para modelagem bayesiana e quantificação de incertezas em razões de contagens, baseando-se na premissa de que o objeto de interesse é a razão entre médias de Poisson.
Este estudo utiliza a teoria de perturbação singular e o limite de largura infinita para analisar a dinâmica de escalas temporais distintas (rápida-lenta) em redes neurais, revelando como a evolução dos pesos da segunda camada determina as condições sob as quais ocorre o fenômeno de "desaprendizado de características" (*feature unlearning*).
O DerivKit é um pacote Python que implementa diferenciação numérica estável para realizar previsões de matriz de Fisher e expansões de verossimilhança não gaussianas, servindo como uma ponte entre previsões rápidas e métodos de amostragem intensivos como o MCMC.
O artigo propõe um novo método para estimar a dimensionalidade latente relevante para uma tarefa através do gargalo de informação (*Information Bottleneck*), introduzindo um "crítico híbrido" que evita a inflação da dimensão e permite identificar a dimensão efetiva de forma direta e robusta, mesmo em cenários ruidosos.
Este artigo propõe um método eficiente para certificar o desempenho de recursos quânticos em sequências de ensaios não independentes e não identicamente distribuídos (non-i.i.d.), demonstrando que apenas um número constante de verificações é necessário, em média, para garantir a confiabilidade do sistema.