335 artigos
O artigo propõe o algoritmo ISD-linUCB para banditos lineares não estacionários, que melhora o desempenho ao decompor o modelo de recompensa em componentes estacionários e não estacionários, permitindo o aproveitamento de dados históricos para identificar invariâncias e reduzir a dimensionalidade do problema.
Este artigo propõe uma metodologia hierárquica que combina inferência bayesiana, modelos de fechamento baseados em aprendizado de máquina e estratégias de otimização bilevel com surrogados (como FNOs e PINNs) para resolver simultaneamente problemas inversos de parâmetros e aprender dinâmicas desconhecidas em sistemas governados por EDOs e EDPs.
Este artigo investiga a identificação do melhor braço sob restrição de orçamento fixo em banditos agrupados, propondo o algoritmo FCSR que garante a viabilidade de todas as atributos e demonstra desempenho ótimo e superior a baselines naturais.
Este trabalho propõe um algoritmo de subgradiente esparsificado que explora a estrutura algébrica natural das redes neurais Max-Plus para otimizar a minimização da perda da pior amostra, superando as ineficiências da retropropagação padrão e permitindo atualizações de parâmetros mais eficientes com garantias teóricas.
Este artigo demonstra que a aplicação de regularização de pesos (especialmente L2) em Autoencoders Esparsos (SAEs) melhora significativamente a estabilidade e a consistência das características aprendidas entre diferentes sementes aleatórias, aumentando a taxa de sucesso no direcionamento de modelos de linguagem e alinhando melhor as explicações interpretáveis com a capacidade de controle funcional.
Este artigo apresenta uma perspectiva baseada na verossimilhança para a agregação de densidades em ensembles, demonstrando que a média generalizada normalizada com ordem é a única que garante melhorias sistemáticas sobre distribuições individuais, o que justifica teoricamente o uso prático das poolings linear e geométrica.
Este artigo apresenta o LSDM, um novo framework de aprendizado generativo semi-supervisionado que combina a aprendizagem de um espaço latente a partir de dados pareados e não pareados com a correspondência de distribuições usando a distância de Wasserstein, oferecendo limites de erro teóricos e insights sobre modelos de difusão latente enquanto melhora a qualidade da geração em tarefas como super-resolução de imagens.
O artigo apresenta o PTOPOFL, um framework de aprendizado federado personalizado que utiliza descritores topológicos derivados da homologia persistente para substituir o compartilhamento de gradientes, garantindo simultaneamente privacidade contra ataques de reconstrução e melhor desempenho em cenários de dados não-IID através de uma agregação guiada por topologia.
Este artigo redefine o design de Redes Neurais Quânticas ao priorizar a geometria controlável das representações ocultas em vez da alcançabilidade de estados, introduzindo o critério de quase Seletividade Local Completa (aCLS) que demonstra a necessidade de dependência conjunta entre dados e pesos para permitir deformações geométricas adaptativas e eficientes.
Este artigo apresenta resultados de alta qualidade na síntese de imagens utilizando Modelos Probabilísticos de Difusão com Desembarulhamento, alcançando desempenho de ponta no conjunto de dados CIFAR10 e qualidade comparável ao ProgressiveGAN no LSUN, graças a uma nova conexão teórica entre esses modelos e a correspondência de pontuação com dinâmica de Langevin.
O artigo estabelece leis empíricas de escala que demonstram como o desempenho de modelos de linguagem segue uma relação de lei de potência com o tamanho do modelo, do conjunto de dados e do poder computacional, revelando que o uso mais eficiente de recursos envolve treinar modelos muito grandes em conjuntos de dados menores e interromper o treinamento antes da convergência.
Este artigo propõe um novo framework para estimar modelos generativos por meio de um processo adversarial que treina simultaneamente um modelo gerador e um discriminador em um jogo minimax, permitindo o treinamento eficiente via retropropagação sem a necessidade de cadeias de Markov ou redes de inferência aproximada.
Este artigo apresenta o algoritmo Auto-Encoding Variational Bayes (VAE), que combina reparametrização e redes neurais para permitir inferência e aprendizado escaláveis e eficientes em modelos probabilísticos direcionados com variáveis latentes contínuas e grandes conjuntos de dados.