259 artigos
O artigo apresenta o ResNMTF, uma abordagem inovadora de biclustering multi-visão baseada em fatoração tripla não negativa que identifica automaticamente clusters de linhas e suas características específicas por visão em dados sobrepostos e não exaustivos, além de propor a pontuação de bisilhueta como uma métrica intrínseca eficaz para ajuste de hiperparâmetros e visualização.
Este artigo propõe e valida estimadores semiparamétricos robustos e um quadro de inferência inspirado em meta-análise para ajustar covariáveis em ensaios randomizados multicêntricos, demonstrando que ignorar a correlação intra-centro prejudica a cobertura dos intervalos de confiança e que incorporar efeitos de centro nos modelos de previsão melhora significativamente a eficiência e a precisão, especialmente quando os efeitos do tratamento variam entre os centros.
Este artigo propõe um modelo não paramétrico de Grafos de Produto Escalar Aleatório Ponderado (WRDPG) que estende a modelagem tradicional para redes com pesos heterogêneos, permitindo discriminar distribuições de pesos com médias idênticas mas momentos superiores distintos, além de estabelecer garantias estatísticas para a estimação de posições latentes e fornecer um framework para geração de grafos ponderados.
Este artigo estabelece garantias teóricas para a estimativa de distribuição via Flow Matching, derivando uma taxa de convergência na distância de Wasserstein 1 que supera resultados anteriores em cenários de alta dimensão, sem exigir log-concavidade e controlando a dependência da constante de Lipschitz.
Este artigo apresenta um novo quadro metodológico para estimar a capacidade operacional e a capacidade máxima de sistemas portuários marítimos multimodais, distinguindo entre condições estáveis e de pico através de modelos de filas e equações diferenciais, com aplicação prática no Porto de Houston para identificar gargalos críticos e apoiar o planejamento de infraestrutura.
Este trabalho investiga a existência e o cálculo de funções de Busemann no espaço de Wasserstein, estabelecendo expressões de forma fechada para distribuições unidimensionais e medidas gaussianas, o que permite definir novos esquemas de projeção e distâncias Sliced-Wasserstein aplicáveis a misturas gaussianas e conjuntos de dados rotulados.
Este artigo introduz o conceito de "aprendizado supervisionado" (refereed learning), onde um aprendiz avalia modelos opacos utilizando dois provadores concorrentes (apenas um honesto), demonstrando que é possível identificar o modelo superior com precisão extrema e custo de consulta drasticamente reduzido em comparação com métodos tradicionais.
Este artigo propõe uma unificação bayesiana do aprendizado em contexto e do direcionamento de ativação em modelos de linguagem, demonstrando que ambos atuam alterando crenças sobre conceitos latentes — o primeiro acumulando evidências e o segundo modificando priores — permitindo prever e explicar fenômenos comportamentais complexos como curvas de aprendizado sigmóides e transições bruscas de comportamento.
Este artigo propõe três algoritmos escaláveis baseados em Inferência Variacional e Propagação de Expectativa para aproximar a distribuição posterior em modelos de regressão probit cumulativa, superando as limitações computacionais dos métodos tradicionais de Monte Carlo via Cadeias de Markov em grandes conjuntos de dados e demonstrando sua eficácia em um estudo de caso sobre redes criminosas.
Este artigo propõe uma estratégia baseada em ensembles de árvores e AutoML para estimar distribuições probabilísticas completas de conflitos futuros em nível de grade, superando as limitações das previsões pontuais tradicionais e demonstrando melhorias de desempenho significativas, especialmente em regiões afetadas por conflitos, ao lidar com a alta incerteza e a extrema inflação de zeros nos dados.
Este artigo resolve o paradoxo entre a conectividade de baixa perda e o confinamento da otimização em redes neurais sobreparametrizadas, demonstrando que barreiras entrópicas induzidas por variações de curvatura geram forças efetivas que mantêm a dinâmica de aprendizado localizada nos mínimos, mesmo em regiões onde a função de perda é plana.
Este artigo realiza uma avaliação sistemática de modelos de linguagem de grande escala (GPT e Gemini) para a construção de projetos fatoriais fracionários de dois níveis, demonstrando que eles conseguem gerar designs ótimos para até oito fatores em 8, 16 e 32 corridas, embora sua eficácia diminua conforme o número de fatores aumenta.
Este artigo propõe uma abordagem bayesiana de duas etapas que integra a identificação de subgrupos com a inferência sobre os efeitos do tratamento, incorporando a incerteza do modelo para produzir intervalos de confiança melhor calibrados em ensaios clínicos randomizados, como demonstrado em simulações e na aplicação a um estudo internacional sobre COVID-19.
Este artigo estabelece limites de fase informacionais rigorosos para a detecção de geometria latente em grafos aleatórios geométricos bipartidos sob observações ruidosas, demonstrando que o problema é significativamente mais fácil quando a máscara de ruído é conhecida e provando a inexistência de lacunas computacionais-estatísticas através de uma nova análise Fourier que melhora os limites anteriores.
Este artigo preenche uma lacuna na análise assintótica de integrais de Laplace de alta dimensão ao derivar uma expansão explícita com limites de resto quantitativos que permanecem válidos na região intermediária próxima ao limiar de concentração (), superando as restrições anteriores do regime de aproximação gaussiana e permitindo aproximações analíticas precisas para expectativas e amostragem via transportes polinomiais.
Este artigo propõe o método "Randomized Kriging Believer" para otimização bayesiana paralela, que combina baixa complexidade computacional e facilidade de implementação com garantias teóricas de arrependimento, demonstrando eficácia superior em diversos cenários de otimização de funções caras.
Este artigo demonstra que o reponderamento de arestas baseado na curvatura de Ricci de Lin-Lu-Yau em modelos de blocos estocásticos balanceados amplifica a conectividade intra-bloco, garantindo um maior gap espectral e melhores limites de erro de agrupamento, além de fornecer uma interpretação de fluxo de curvatura de horizonte finito para a detecção de comunidades.
O artigo demonstra que o uso de geradores de números aleatórios baseados em estado compromete a validade causal em modelos baseados em agentes ao alterar o índice de extração quando o fluxo de execução muda, e propõe como solução o uso de geradores baseados em contadores acoplados a identificadores de eventos para garantir que os números aleatórios correspondam consistentemente aos mesmos eventos em cenários contrafactuais.
Este artigo propõe um novo quadro de regressão ridge funcional baseado em partições para dados de alta dimensão, decompondo a função de coeficientes em componentes dominantes e mais fracos para aplicar penalizações diferenciadas que melhoram a estabilidade numérica, a interpretabilidade e o desempenho preditivo sem depender de seleção explícita de variáveis.
O artigo apresenta o Co-Diffusion, um novo framework de duas etapas baseado em difusão latente que supera as limitações de generalização em regimes de frio extremo ao alinhar embeddings de fármacos e alvos em um manifold orientado pela afinidade e aplicar difusão latente específica de modalidade como regularizador estocástico, resultando em desempenho superior na previsão de afinidade fármaco-alvo, especialmente para estruturas moleculares e famílias proteicas não vistas.