303 artigos
Este artigo propõe uma estrutura de prognóstico não supervisionada para habitats de espaço profundo que, utilizando dados de falha sem rótulos, identifica simultaneamente modos de falha latentes e seleciona sensores informativos para prever a vida útil restante com maior precisão.
O artigo apresenta o método de Reescalamento de Importância de Recursos (FIR), uma abordagem teoricamente fundamentada que melhora a avaliação da qualidade de agrupamento em misturas gaussianas ruidosas ao ajustar as contribuições dos recursos, reduzindo o impacto de características irrelevantes e aumentando a robustez dos índices de validação em cenários sem rótulos externos.
Este artigo propõe uma crítica consequencialista à avaliação de classificação binária, defendendo a adoção de regras de pontuação adequadas como o escore Brier em vez de métricas de limiar fixo, e oferece um novo framework teórico, uma variante do escore Brier e a ferramenta prática `briertools` para alinhar a avaliação de modelos de aprendizado de máquina com a utilidade decisória real.
Este artigo propõe dois novos algoritmos de aprendizado por reforço livres de modelo, Q-EarlySettled-LowCost e FedQ-EarlySettled-LowCost, que são os primeiros a alcançar simultaneamente arrependimento quase ótimo, custo de inicialização linear e custos logarítmicos de troca de política ou comunicação em ambientes de agente único e federado.
Este artigo apresenta o modelo Mixture of Interacting Cascades (MIC), baseado em processos pontuais de Hawkes multidimensionais, que captura a interação conjunta entre usuários e cascata de informações para modelar com maior precisão a dinâmica de formação de opiniões em redes sociais, superando métodos existentes e permitindo visualizações detalhadas da atividade na rede.
Este artigo estabelece, pela primeira vez, garantias de convergência global linear para o método Iteratively Reweighted Least Squares (IRLS) na recuperação robusta de subespaços, demonstrando que uma variante com regularização dinâmica converge de qualquer inicialização tanto para subespaços lineares quanto afins, além de ilustrar seus benefícios práticos no treinamento de redes neurais de baixa dimensão.
Este artigo investiga métodos de Monte Carlo com pontos repulsivos para calcular a distância de Wasserstein fatiada, analisando e comparando diversas quadraturas (incluindo processos determinantes e o estimador UnifOrtho) para concluir que o uso de Monte Carlo Quase-ortogonal é preferível em altas dimensões, enquanto métodos de Monte Carlo Quase-ortogonal aleatorizado são mais eficazes em baixas dimensões.
O artigo propõe o framework AffPCL, um método de aprendizado colaborativo personalizado que utiliza correções de viés e importância para reduzir a complexidade de amostragem de forma adaptativa, garantindo aceleração linear em cenários homogêneos e desempenho robusto sem degradação em ambientes heterogêneos, tudo sem exigir conhecimento prévio do sistema.
O artigo apresenta a Modelagem Generativa Bayesiana (BGM), uma estrutura unificada baseada em aprendizado de máquina que permite inferência condicional arbitrária com quantificação de incerteza rigorosa, superando as limitações de métodos existentes ao aprender um modelo generativo único que não requer retreinamento para diferentes condições.
Este artigo propõe um framework robusto para otimização de sortimento baseado em dados observacionais que maximiza a receita esperada no pior cenário, superando as limitações de modelos tradicionais ao lidar com mudanças nas preferências dos clientes e garantindo eficiência estatística através do conceito de "cobertura robusta item a item".
Este artigo estuda processos de decisão de Markov robustos não retangulares sob o critério de recompensa média, demonstrando que políticas com arrependimento sublinear são ótimas, estabelecendo uma representação minimax para o valor robusto e propondo uma política baseada em épocas que garante desempenho transitório constante ao combinar a política estacionária ótima para o pior caso com testes sequenciais e aprendizado online.
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 artigo propõe o modelo VI 2D SSM e sua arquitetura VI 2D Mamba, que estabelecem uma forma canônica de modelos de espaço de estado bidimensionais equivariantes à permutação para séries temporais multivariadas, eliminando dependências sequenciais desnecessárias entre variáveis e alcançando desempenho superior em diversas tarefas ao respeitar a simetria de troca inerente aos dados.
Este artigo demonstra que é impossível criar um procedimento de verificação de alinhamento de IA que seja simultaneamente correto, geral e computacionalmente eficiente, estabelecendo um trilema fundamental que limita a certificação formal de sistemas de IA, embora garantias práticas ainda sejam viáveis ao relaxar uma dessas propriedades.
O artigo apresenta o Midicoth, um sistema de compressão sem perdas que aprimora a estimativa de probabilidade em modelos adaptativos online ao aplicar uma camada de "micro-difusão" baseada em árvores binárias para corrigir vieses de suavização em contextos esparsos.
Este artigo apresenta um quadro de meta-aprendizado por reforço multinível que utiliza uma curricula baseada em habilidades para comprimir hierarquicamente processos de decisão de Markov, desacoplando subtarefas e facilitando a transferência de competências entre diferentes níveis e problemas.
Este artigo apresenta o Campo de Transição de Markov Temporal (TMTF), uma extensão do método MTF que divide séries temporais em segmentos contíguos para estimar matrizes de transição locais, preservando assim a evolução dinâmica ao longo do tempo e superando as limitações de representação de regimes não estacionários do método global original.
Este artigo apresenta uma ablação abrangente de nove famílias de limites para previsão seletiva com controle de risco, introduzindo o método "Transfer-Informed Betting" (TIB) que utiliza perfis de risco de domínios-fonte para obter limites mais apertados em cenários com escassez de dados, demonstrando ganhos significativos de cobertura em benchmarks como MASSIVE e NyayaBench.
Este artigo estabelece uma estrutura geométrica que demonstra como o viés de ordem principal de funcionais posteriores na inferência variacional é determinado pela componente ortogonal ao espaço tangente da família variacional, explicando geometricamente a distorção sistemática das dependências entre blocos no método de campo médio.
O artigo propõe o ULFS-KDPE, um estimador de plug-in enviesado baseado em kernel e no submodelo menos favorável universal, que alcança a eficiência semiparamétrica para parâmetros diferenciáveis em modelos não paramétricos sem exigir a derivação explícita de funções de influência, fundamentando-se em uma equação diferencial ordinária não linear sobre densidades de probabilidade em espaços de Hilbert de kernel reproduzível.