22292 artigos
A intersecção entre Ciência da Computação e Inteligência Artificial representa a fronteira onde os algoritmos aprendem a pensar e a criar. Aqui, exploramos como sistemas computacionais estão evoluindo para resolver problemas complexos, desde a análise de grandes volumes de dados até a geração de linguagem natural, tornando a tecnologia cada vez mais integrada ao nosso cotidiano de forma intuitiva e poderosa.
No Gist.Science, monitoramos rigorosamente o arXiv para trazer as descobertas mais recentes dessa área. Processamos cada novo pré-publicação nesta categoria, oferecendo tanto resumos técnicos detalhados para especialistas quanto explicações em linguagem simples para que qualquer pessoa possa compreender o impacto dessas inovações. Abaixo, você encontrará as últimas pesquisas de Ciência da Computação e Inteligência Artificial publicadas no arXiv, prontas para serem exploradas.
Este artigo propõe o ShadowNet, um paradigma de aprendizado de sistemas quânticos centrado em dados que unifica sombras clássicas com redes neurais para superar as limitações dos métodos existentes e realizar tarefas como tomografia de estado quântico e estimativa direta de fidelidade para sistemas de até 60 qubits de forma eficiente.
Este artigo demonstra que Grandes Modelos de Linguagem podem substituir efetivamente sujeitos humanos na geração de dados de treinamento para a previsão de escolhas econômicas em jogos de persuasão baseados em linguagem, frequentemente superando modelos treinados com dados humanos reais e revelando que capturar padrões de decisão dependentes de histórico é crucial para uma previsão precisa.
Este artigo propõe o algoritmo Bi-directional Multi-solution scalable Grover Search (BMGS), uma abordagem inovadora que utiliza uma tática de busca bidirecional de múltiplos segmentos para encontrar eficientemente múltiplas soluções em um banco de dados não estruturado com contagens de iteração reduzidas e complexidade média ótima em comparação com métodos existentes.
O artigo propõe o DirMixE, uma estrutura hierárquica de Mistura de Especialistas (Mixture-of-Experts) que aborda o reconhecimento de cauda longa agnóstico ao teste através da modelagem de variações na distribuição de rótulos tanto em níveis globais quanto locais via meta-distribuições de Dirichlet, integrado com uma abordagem de Ajuste Fino de Habilidade Latente para melhorar a generalização e a estabilidade de desempenho através de diversos cenários de teste desbalanceados.
O artigo propõe o TIMA, um novo framework que aumenta a robustez adversarial zero-shot enquanto preserva a generalização em modelos de fundação como o CLIP ao introduzir o ajuste de Imagem com Consciência Textual com uma Margem Adaptativa de Consciência Semântica para calibrar margens de logits e o ajuste de Texto com Consciência de Imagem com Energia Hiperesférica Mínima de Consistência Semântica para manter a consistência semântica.
Este artigo apresenta o MiniGPT-Reverse-Designing, um modelo MiniGPT-4 ajustado que estende as capacidades de visão-linguagem para a tarefa complexa de prever edições de imagem e seus parâmetros dados uma imagem de origem, uma versão editada e descrições textuais opcionais.
Este estudo piloto demonstra que mensagens de smishing personalizadas geradas pelo GPT-4 são comparavelmente convincentes àquelas escritas por humanos novatos, com conteúdos relacionados ao trabalho provando ser os mais eficazes, sugerindo que ferramentas de IA acessíveis podem escalar significativamente as ameaças de engenharia social, apesar da incapacidade dos participantes de distinguir entre autoria de IA e humana.
Este artigo apresenta o DMT-ME, um novo framework de redução de dimensionalidade que integra Mistura de Especialistas (MoE) com um mapeador hiperbólico consciente da geometria para alcançar simultaneamente precisão e explicabilidade superiores em processos complexos de embedding e visualização de dados.
Este artigo demonstra que a geração de dados sintéticos melhora significativamente o desempenho prognóstico de aprendizado de máquina em pequenos conjuntos de dados de saúde, particularmente aqueles com características específicas como baixo AUC basal e desfechos equilibrados, ao aumentar a diversidade de dados de forma mais eficaz do que a simples reamostragem.
Este levantamento revisa e sintetiza sistematicamente as metodologias de aprendizado autossupervisionado para modelagem de fluxos de eventos em diversos domínios, propondo uma taxonomia unificada e uma agenda de pesquisa futura para superar a escassez de dados e os esforços fragmentados ao unir abordagens específicas de domínio isoladas.