329 artigos
Este artigo propõe um novo método de regressão Fréchet para respostas multivariadas distribucionais baseado na família não-paranormal e na métrica de transporte não-paranormal (NPT), que supera desafios computacionais e estatísticos ao decompor o problema em marginais e dependência, garantindo convergência uniforme e eficiência comparável ao caso univariado.
Este artigo apresenta um método de "engressão" espaço-temporal profunda generativa que quantifica incertezas de forma endógena para gerar previsões probabilísticas precisas e confiáveis de epidemias, superando benchmarks existentes em diversos conjuntos de dados e oferecendo explicabilidade para apoiar intervenções de saúde pública.
O artigo propõe o DualAdam, um otimizador que combina os mecanismos de atualização do Adam e de seu inverso (InvAdam) para garantir convergência e melhorar a generalização ao favorecer mínimos planos, validado por teoria de difusão e extensos experimentos em classificação de imagens e ajuste fino de modelos de linguagem.
Este artigo apresenta o MSKernelBench, um benchmark abrangente para múltiplos cenários de kernels CUDA, e o CUDAMaster, um sistema multiagente orientado por hardware que supera métodos existentes e rivaliza com bibliotecas proprietárias na otimização automática de kernels para diversas aplicações científicas e de aprendizado de máquina.
Este artigo propõe e valida um método aprimorado de regressão de postos condicionais (CRRR) utilizando modelos de transformação condicional profunda (DCTM) para estimar a mobilidade intergeracional com maior precisão em cenários não lineares e com resultados discretos, aplicando-o com sucesso a estudos sobre persistência de renda nos EUA e mobilidade educacional na Índia.
O artigo apresenta as Variational Flow Maps (VFMs), um novo framework que permite a geração condicional de imagens de alta qualidade em um único passo ao aprender uma distribuição de ruído adaptada via um modelo de adaptador, superando as limitações de trajetórias iterativas dos modelos de difusão tradicionais para resolver problemas inversos e condicionais com maior eficiência.
Este artigo propõe um quadro teórico e empírico para treinar políticas robustas em POMDPs com estados latentes iniciais adversários, demonstrando que a exposição direcionada a distribuições latentes deslocadas reduz significativamente as vulnerabilidades de pior caso, conforme validado por garantias de amostra finita e testes no jogo Battleship.
O artigo propõe o DistGP, um método de aprendizado colaborativo multi-robô baseado em um processo gaussiano esparsificado que permite treinamento distribuído e assíncrono via propagação de crenças gaussianas, alcançando desempenho superior a abordagens existentes em cenários com conectividade dinâmica e comunicação esparsa.
Este artigo apresenta garantias de amostragem finita para o aprendizado de representações de estado orientado a custos no controle Linear Quadrático Gaussiano (LQG) de horizonte infinito, explorando duas abordagens distintas — uma com dinâmica latente explícita e outra implícita, semelhante ao MuZero — e estabelecendo uma contribuição técnica fundamental sobre a persistência de excitação em um novo processo estocástico.
Esta monografia oferece uma visão rigorosa dos aspectos teóricos e metodológicos da inferência probabilística e do aprendizado com o método de Stein, detalhando a construção de discrepâncias de Stein, suas propriedades e sua conexão com o descenso de gradiente variacional de Stein.
Este artigo propõe um novo framework de predição conformal que preserva a privacidade e utiliza todos os dados disponíveis, evitando a divisão do conjunto de amostras e garantindo uma cobertura mais precisa e conjuntos de previsão mais nítidos do que as abordagens privadas existentes.
O artigo apresenta o ReGEN-TAD, um framework generativo interpretável que combina arquiteturas híbridas de aprendizado de máquina e diagnósticos econométricos para detectar anomalias em séries temporais financeiras de alta dimensão, oferecendo pontuações unificadas sem dados rotulados e atribuição coerente de fatores econômicos.
Este artigo utiliza o filtro de partículas (SMC) para analisar teoricamente e empiricamente o compromisso entre custo e precisão em métodos de inferência de linguagem que agregam múltiplas amostras, identificando critérios de garantia, melhorias algorítmicas e limites fundamentais, embora os resultados empíricos sugiram que a precisão final dependa de fatores além do erro de amostragem.
Este artigo propõe um Transformer Bayesiano inovador que integra múltiplos mecanismos de incerteza em uma arquitetura PatchTST para realizar previsões de carga probabilísticas altamente calibradas e robustas em redes inteligentes, superando significativamente os modelos existentes em precisão e confiabilidade durante eventos climáticos extremos.
Este artigo propõe um framework de aprendizado por transferência robusto que utiliza informações auxiliares para construir conjuntos de incerteza centrados na estimativa, permitindo políticas otimizadas para o pior caso em ambientes com grandes deslocamentos que são menos conservadoras e mais eficientes em termos de amostragem do que os métodos tradicionais.
Os autores desenvolveram um pipeline de aprendizado por reforço para simplificar diagramas de nós, que foi testado com sucesso em nós triviais difíceis e na soma de nós $4_1\#9_{10}$, onde recuperou o limite superior surpreendente de três para o número de desenovelamento.
O artigo propõe a Otimização Bayesiana Local Constrained (LCBO), um novo framework que supera os desafios de otimização em alta dimensão com restrições complexas ao alternar entre descida local e exploração guiada pela incerteza, garantindo taxas de convergência polinomiais e superando os métodos atuais em benchmarks de até 100 dimensões.
Este artigo propõe uma abordagem de busca de produto interno máximo (MIPS) amortizada que utiliza redes neurais, especificamente o SupportNet e o KeyNet, para prever diretamente as soluções ótimas ao modelar a função de suporte convexa dos vetores-chave, permitindo assim uma compressão eficiente de bancos de dados para distribuições de consultas específicas.
Este artigo apresenta uma nova metodologia explicável para monitoramento de condição em transmissões de helicóptero, baseada apenas em dados saudáveis e no uso de detecção probabilística de anomalias com quantificação de incerteza, validada experimentalmente com desempenho competitivo em benchmarks públicos e dados reais.
Este artigo argumenta que a avaliação atual de previsão de séries temporais de longo prazo está excessivamente focada em métricas de erro pontual agregado, o que desvia o progresso do campo de objetivos reais como a estrutura temporal e a utilidade decisória, propondo em seu lugar uma perspectiva de avaliação multidimensional que integre fidelidade estatística, coerência estrutural e relevância para a tomada de decisão.