335 artigos
O artigo apresenta o SurvHTE-Bench, o primeiro benchmark abrangente para a estimativa de efeitos heterogêneos de tratamento em dados de sobrevivência censurados, oferecendo um conjunto diversificado de dados sintéticos, semissintéticos e reais para uma avaliação rigorosa e reprodutível de métodos causais nessa área.
Os autores propõem um algoritmo de seleção de hipóteses com privacidade diferencial local que, utilizando apenas rodadas de interação, atinge uma complexidade de amostra ótima de , superando os limites inferiores conhecidos para métodos não interativos e eliminando o fator logarítmico adicional exigido por algoritmos anteriores.
Este artigo investiga os princípios de generalização no aprendizado de listas, demonstrando que, embora a convergência uniforme permaneça equivalente à aprendibilidade, a conjectura de compressão de amostra de Littlestone e Warmuth é refutada, pois existem classes aprendíveis que não podem ser comprimidas.
Este trabalho estende as garantias de rastreamento para desigualdades variacionais variantes no tempo, fornecendo limites para funções não monotônicas e sistemas periódicos, além de investigar a convergência e o comportamento caótico desses sistemas dinâmicos.
O artigo apresenta o AuToMATo, um novo algoritmo de agrupamento baseado em homologia persistente que, ao combinar o algoritmo ToMATo com um procedimento de *bootstrapping* e oferecer parâmetros padrão eficazes, destaca-se como uma solução "pronta para uso" que supera tanto algoritmos livres de parâmetros quanto as melhores configurações de outros métodos, sendo especialmente útil para aplicações em análise de dados topológicos como o algoritmo Mapper.
O artigo propõe o framework LoCo-RLHF, que utiliza uma estrutura de baixa ordem para integrar informações contextuais e modelar feedback humano heterogêneo de forma eficiente, incorporando uma política de pessimismo no subespaço reduzido para lidar com deslocamentos de distribuição e alcançar um desempenho superior em cenários de RLHF personalizado.
O artigo apresenta o DCENWCNet, uma nova rede neural convolucional emsemble que integra três arquiteturas CNN com configurações distintas para superar os desafios de desequilíbrio de dados na classificação de glóbulos brancos, alcançando desempenho superior em métricas de precisão e incorporando a técnica LIME para garantir a interpretabilidade e confiança nas previsões de diagnóstico automatizado.
Este estudo propõe o modelo sPI-GeM, uma arquitetura de aprendizado profundo escalável e baseada em física que combina redes de base e modelos generativos para resolver com precisão problemas de equações diferenciais estocásticas (SDEs) em espaços de alta dimensão tanto estocástica quanto espacial, abordando tanto cenários diretos quanto inversos.
Este artigo estabelece um novo limite inferior de complexidade de amostragem e propõe uma regra de parada modificada para o algoritmo Track-and-Stop que atinge otimalidade assintótica na identificação da melhor braço em banditos estocásticos com múltiplos ótimos quando o número de braços ótimos é conhecido.
Este artigo analisa as propriedades de convergência e as dinâmicas de escape do Gradiente Estocástico (SGD) em paisagens unidimensionais, demonstrando como a variância do ruído e a geometria da função influenciam o tempo de permanência próximo a máximos locais e a probabilidade de transição para mínimos adjacentes.
Este artigo propõe um filtro supervisionado baseado em cópula Gumbel para seleção de características na previsão de risco de diabetes, demonstrando que sua métrica de concordância de cauda superior (lambda U) identifica preditores clinicamente relevantes de forma eficiente e robusta em grandes conjuntos de dados, superando filtros padrão e competindo com métodos mais complexos.
Este artigo propõe a Calibração Supervisionada (SC), uma nova estrutura baseada em minimização de perda que supera as limitações dos métodos de calibração existentes em Aprendizado em Contexto (ICL) ao aprender transformações afins otimizadas para corrigir vieses sistemáticos e alterar a orientação das fronteiras de decisão de Grandes Modelos de Linguagem, alcançando desempenho superior em diversos conjuntos de dados e modelos.
O artigo demonstra que a estimativa honesta em florestas causais, embora padrão para evitar overfitting, pode prejudicar a precisão das estimativas de efeitos de tratamento individuais ao limitar a detecção de heterogeneidade, sugerindo que sua adoção deve ser guiada por objetivos específicos e avaliação empírica em vez de ser reflexiva.
Os autores propõem uma nova abordagem bayesiana que generaliza o método federado ADMM ao demonstrar que a estrutura de dualidade de objetivos variacionais de Bayes não apenas recupera as atualizações do ADMM, mas também gera extensões não triviais, como variantes do tipo Newton e Adam, que melhoram a precisão em cenários heterogêneos.
Este artigo estabelece limites de aproximação gaussiana para as distribuições finitas de redes neurais profundas com pesos aleatórios e funções de ativação Lipschitz, demonstrando a convergência para o limite gaussiano com taxas específicas quando as larguras das camadas crescem para o infinito.
Este artigo investiga o desempenho assintótico do ensembling de modelos de linguagem (LLMs) via votação majoritária, propondo um esquema adaptativo de geração e uma otimização de pesos para ensembles múltiplos que superam modelos individuais com eficiência computacional.
Este artigo introduz o modelo de Aprendizado Online com Adversário de Replay para analisar o risco de sistemas de aprendizado reforçarem erros em dados autoanotados, propondo a Dimensão de Limiar Estendido como a medida exata de aprendibilidade e demonstrando que algoritmos baseados em fechamento alcançam limites ótimos de erro, superando as limitações de métodos clássicos e de aprendizagem própria neste cenário.
Este trabalho apresenta o MAYA, um modelo de aprendizado por imitação baseado em bandits multi-braços que replica as decisões de forrageamento de abelhas considerando sua memória limitada, superando modelos clássicos e permitindo a inferência de trajetórias realistas para aplicações ecológicas.
Este trabalho demonstra que o viés implícito do Adam com amostras individuais (incremental) em dados linearmente separáveis pode divergir do regime de lote completo, convergindo para classificadores de margem máxima em normas diferentes (como em vez de ) dependendo do conjunto de dados, ao contrário do Signum, que mantém invariância no viés para qualquer tamanho de lote.
O artigo caracteriza o viés implícito do esquema JKO de segunda ordem, demonstrando que ele equivale a um fluxo de gradiente de Wasserstein em uma energia modificada que subtrai um termo proporcional à curvatura métrica da energia original, resultando em um desaceleramento direcional que se manifesta como informações de Fisher ou energia cinética em casos específicos.