Este livro busca desmistificar grandes redes neurais e modelos generativos, frequentemente vistos como "caixas pretas", explorando seus mecanismos internos através da perspectiva da aprendizagem de representações. Ele descreve os princípios de design de arquiteturas de redes neurais modernas, usando otimização e teoria da informação.
Este conteúdo refere-se a um artigo de pesquisa intitulado "Follow the Mean: Reference-Guided Flow Matching". Ele explora uma nova metodologia em modelos generativos.
![Follow the Mean: Reference-Guided Flow Matching [R]](/cdn-cgi/image/width=3840,quality=75,format=webp/https://preview.redd.it/5pleq5b4861h1.png?width=140&height=91&auto=webp&s=5f80ce290c30e51700f9b9fd0f907ee56e9382b2)
MOLPAQ é um novo gerador modular quântico-clássico que cria moléculas interpretáveis a partir de patches latentes gerados quanticamente, alcançando 100% de validade RDKit e alta novidade e diversidade. Esta abordagem melhora significativamente o controle de propriedades como QED e a incidência de motivos aromáticos em comparação com geradores clássicos.
Esta pesquisa apresenta os Conditional Attribute Transformers, um novo método para estimar conjuntamente a probabilidade do próximo token e o valor de um atributo condicionalmente a cada seleção potencial do próximo token. Este framework permite capacidades críticas como atribuição de crédito por token e análise contrafactual em uma única passagem, superando limitações dos modelos generativos tradicionais.
O artigo propõe o Dual-Spectral Flow Matching (DSFM), uma nova estrutura generativa de fMRI que combina representações de frequência dupla de sinais BOLD com correspondência de fluxo espectral. Este método visa gerar séries temporais de fMRI de alta fidelidade para identificação de distúrbios cerebrais, superando desafios na replicação de dinâmicas espaciotemporais complexas.
Esta pesquisa foca no desenvolvimento de métodos mais eficientes para amostragem de Modelos Probabilísticos de Difusão, visando reduzir o custo computacional e o tempo associados à geração de amostras de alta qualidade. Explora novos algoritmos para acelerar o processo de amostragem, mantendo a fidelidade dos dados gerados.
Este artigo descreve um modelo generativo autorregressivo, treinado com dados de mais de 300.000 pacientes, capaz de simular trajetórias contrafactuais clinicamente plausíveis. O modelo foi aplicado a pacientes com COVID-19 para prever resultados com base em parâmetros clínicos alterados, demonstrando seu potencial para medicina personalizada e ensaios in silico.
UI-Oceanus é uma estrutura que escala agentes GUI generalistas, focando em dominar a física da interação através de feedback ambiental em vez de imitar trajetórias. O sistema utiliza exploração autônoma e predição de dinâmicas futuras para construir um modelo de mundo interno robusto, superando limitações de dados e supervisão.