4724 artigos
Este trabalho demonstra que um algoritmo neuromórfico nativamente baseado em pulsos para resolver equações diferenciais parciais possui tolerância intrínseca a falhas estruturais, mantendo sua precisão mesmo com a perda de até 32% dos neurônios e 90% dos pulsos, além de apresentar robustez ajustável através de hiperparâmetros estruturais.
O artigo apresenta o DUCTILE, uma abordagem de orquestração agencial baseada em LLM que automatiza tarefas de análise de engenharia adaptando-se a mudanças nos dados e processos enquanto mantém a supervisão humana, demonstrando sua eficácia e os desafios práticos de sua adoção em um cenário industrial aeroespacial.
Este artigo propõe um quadro unificado de aprendizado contrastivo entre visões para alinhar representações globais de imagens cerebrais e locais de grafos de regiões de interesse (ROI) em um espaço latente compartilhado, demonstrando que essa integração melhora consistentemente a classificação de transtornos neurológicos ao capturar padrões discriminativos complementares.
Este artigo propõe o framework ADMM-PnP com o denoiser AC-DC, que integra correção automática, correção direcional e remoção de ruído baseada em pontuação para resolver problemas inversos com garantias de convergência e melhor qualidade de solução.
Este artigo apresenta um sistema baseado em design centrado no ser humano que utiliza inteligência artificial conversacional e mapas interativos para permitir a exploração natural e em tempo real de quase 1,7 milhão de registros de espécimes digitalizados do Museu Australiano, superando as limitações das ferramentas de busca tradicionais.
Este estudo demonstra que circuitos quânticos emaranhados oferecem uma vantagem competitiva em jogos adversariais, superando circuitos separáveis e redes neurais clássicas ao aprender representações estruturalmente distintas para modelar interações dinâmicas.
O artigo apresenta o HyMEM, uma memória estruturada híbrida e autoevolutiva inspirada no cérebro humano que combina nós simbólicos discretos com embeddings contínuos em um grafo, permitindo que agentes de GUI de código aberto com backbones menores superem modelos proprietários de ponta ao melhorar a recuperação de informações e a gestão de tarefas de longo prazo.
Este artigo apresenta o "Simulation-in-the-Reasoning" (SiR), um novo quadro conceitual que integra simuladores de domínio específico diretamente no ciclo de raciocínio de Modelos de Linguagem Grandes (LLMs) para transformar o raciocínio hipotético em um fluxo de trabalho falsificável e empiricamente fundamentado, visando sistemas de transporte autônomo mais confiáveis.
Este artigo apresenta o RINoBench, o primeiro benchmark abrangente para avaliar a capacidade de modelos de linguagem em julgar a novidade de ideias de pesquisa, revelando que, embora o raciocínio gerado por LLMs se assemelhe ao humano, suas conclusões sobre a novidade divergem significativamente dos padrões de ouro humanos.
O artigo apresenta o NasoVoce, uma interface montada na ponte do nariz que combina microfones e sensores de vibração para capturar sinais acústicos e de condução óssea, permitindo conversas de voz discretas e robustas a ruídos ambientais para interação com IA.
O artigo apresenta o PC-Diffuser, um framework de segurança que integra uma função de barreira consistente com o caminho diretamente no processo de difusão de planejadores de trajetória, garantindo a invariância de segurança e a viabilidade dinâmica durante a geração iterativa de trajetórias para veículos autônomos.
O estudo compara sistematicamente a justiça entre rerankers com e sem raciocínio, descobrindo que os modelos de raciocínio não melhoram nem prejudicam a equidade em comparação com abordagens tradicionais, mantendo as características de justiça da classificação de entrada.
O artigo propõe o CGVD, um framework de inferência livre de treinamento que supera a lacuna entre precisão e raciocínio em modelos de Visão-Linguagem-Ação em ambientes desordenados, utilizando inpainting baseado em Fourier e refinamento de alvos para suprimir distrações semânticas e alcançar uma taxa de sucesso significativamente superior à dos métodos existentes.
O artigo apresenta o FairFAL, um framework de aprendizado ativo federado adaptativo que supera os desafios de desequilíbrio global de classes e heterogeneidade não-IID ao selecionar dinamicamente modelos de consulta e empregar estratégias de amostragem balanceadas para melhorar o desempenho em cenários realistas.
Este artigo apresenta o DIBJudge, um framework de ajuste fino que mitiga o viés de "translationese" em modelos de linguagem multilíngues ao aprender representações essenciais para julgamento e isolar explicitamente fatores espúrios através de um gargalo de informação disjunto.
O artigo apresenta o GenCC, um framework que utiliza modelos de linguagem grandes (LLMs) para gerar automaticamente funções de utilidade de controle de congestionamento, superando os protocolos existentes em até 142% ao adaptar-se a requisitos específicos de aplicações e capacidade de rede.
O artigo apresenta o HEAL, um quadro de aprendizado sem reforço que supera as limitações da destilação tradicional ao integrar mecanismos de reparo assistido por entropia, estimativa de incerteza e evolução curricular progressiva para transferir capacidades de raciocínio de modelos grandes para modelos menores, permitindo que estes aprendam a resolver problemas complexos que os modelos professores não conseguem resolver sozinhos.
O artigo propõe uma estrutura de fusão dinâmica de conhecimento que combina aprendizado contrastivo e prompts estruturados para superar os desafios de modelagem de histórico e escassez de dados no rastreamento de estado de diálogo multi-domínio, resultando em maior precisão e generalização.
Este trabalho propõe uma reformulação causal para Sistemas de Recomendação Generativos, introduzindo as arquiteturas AttnLFA e AttnMVP que eliminam a intercalação ineficiente de tokens para reduzir a complexidade sequencial e o tempo de treinamento, enquanto superam consistentemente as abordagens atuais em desempenho e eficiência.
Este artigo propõe um framework de adaptação com poucos exemplos para ambientes não estacionários em robótica, que estima um "ID de tendência" latente e regularizado para ajustar o sistema a mudanças ambientais sem modificar os pesos do modelo, evitando assim o esquecimento catastrófico e reduzindo custos computacionais.