4796 artigos
Este artigo propõe um framework híbrido leve para o jogo das Amazonas que integra um Autoencoder de Atenção em Grafos e o GPT-4o-mini para superar limitações de recursos, alcançando desempenho superior ao modelo base e a métodos tradicionais através de filtragem estrutural e dados sintéticos.
O artigo apresenta o IH-Challenge, um conjunto de dados de aprendizado por reforço projetado para melhorar a hierarquia de instruções em modelos de linguagem de ponta, resultando em maior robustez contra ataques de segurança, redução de comportamentos inseguros e manutenção da utilidade do modelo.
Este artigo apresenta um framework de aprendizado por reforço multiagente baseado em Proximal Policy Optimization (PPO) para coordenar frotas de drones na entrega dinâmica e priorizada de suprimentos médicos, demonstrando, através de dados geográficos reais, que a abordagem PPO clássica supera estratégias assíncronas e sequenciais em cenários de logística de saúde sob incerteza.
Este estudo avalia a sensibilidade de 11 modelos fundamentais de segmentação de imagens a prompts humanos em tomografias computadorizadas musculoesqueléticas, revelando que o desempenho varia significativamente entre modelos e estratégias de prompt, e que a performance reportada com prompts ideais tende a superestimar os resultados em cenários reais guiados por humanos.
O artigo apresenta o SCORE, uma abordagem recorrente discreta que substitui o empilhamento tradicional de camadas por iterações de um único bloco neural compartilhado com atualizações contrativas inspiradas em EDOs, resultando em menor contagem de parâmetros, maior velocidade de convergência e treinamento acelerado em diversas arquiteturas de redes neurais.
Este trabalho apresenta um novo framework guiado por linguagem para análise cognitiva de defeitos em compósitos de fibra de carbono usando termografia infravermelha ativa e modelos visão-linguagem pré-treinados, permitindo a detecção e localização de defeitos subsuperficiais em cenários zero-shot sem a necessidade de conjuntos de dados de treinamento específicos.
Este artigo propõe um novo framework de auto-ajuste que permite a agentes de IA internalizar experiências em seus parâmetros através de um mecanismo de reflexão bi-perspectiva e aprendizado sem recompensas manuais, superando as limitações de modelos de linguagem tradicionais e demonstrando superioridade em eficiência de amostragem e estabilidade na otimização dinâmica de fatiamento de Redes de Acesso Rádio (RAN).
Este artigo apresenta o CUAAudit, uma meta-avaliação em larga escala que demonstra que, embora os Modelos Visuais-Linguísticos (VLMs) possam atuar como auditores eficazes para Agentes de Uso de Computador (CUAs), eles enfrentam limitações significativas em ambientes complexos e heterogêneos, exibindo degradação de desempenho e desacordo substancial entre modelos, o que destaca a necessidade crítica de considerar a confiabilidade e a incerteza dos avaliadores na implantação de CUAs no mundo real.
Este estudo empírico demonstra que, ao contrário da hipótese de que o alinhamento moral exige algoritmos focados em diversidade, métodos de maximização de recompensa (RLVR) são igualmente eficazes para o raciocínio moral, pois as respostas de alta recompensa nesse domínio formam distribuições mais concentradas do que em tarefas matemáticas.
Este artigo estabelece um quadro matemático unificado chamado "Gradient Flow Drifting" que demonstra a equivalência entre o modelo Drifting e o fluxo de gradiente de Wasserstein da divergência KL forward sob aproximação de estimativa de densidade por kernel, permitindo a criação de uma nova família de modelos generativos que combinam diferentes divergências para evitar colapso e borramento de modos, inclusive em variedades Riemannianas.
O artigo propõe o Framework Retrospectivo Progressivo (PRF), uma abordagem modular que utiliza unidades de retrospectiva e uma estratégia de treinamento com início rotativo para melhorar a previsão de trajetórias em cenários de observações incompletas e variáveis, superando as limitações dos métodos existentes que dependem de mapeamentos diretos.
Este artigo apresenta um novo framework para agentes autônomos que melhora o desempenho futuro ao extrair automaticamente aprendizados estruturados de trajetórias de execução e recuperá-los contextualmente, resultando em ganhos significativos na conclusão de tarefas complexas.
O artigo propõe a Recompensa de Expectativa Condicional (CER), um método que utiliza o próprio modelo de linguagem como verificador implícito para fornecer sinais de recompensa graduais e eliminar a dependência de regras de verificação externas, ampliando assim a eficácia do Aprendizado por Reforço com Recompensas Verificáveis (RLVR) para domínios de raciocínio de resposta livre.
Este artigo apresenta uma abordagem inovadora e explicável para detectar e eliminar gatilhos de backdoor em redes neurais, utilizando caminhos ativos e validando sua eficácia em um modelo de detecção de intrusão.
Este artigo propõe um quadro de trabalho inovador que intercala planeamento de tarefas e de movimentos através de um ciclo de aprendizagem incremental, onde um planeador de movimentos fornece feedback simbólico sobre conflitos espaciais e temporais para guiar um planeador de tarefas na geração de planos viáveis para navegação de múltiplos objetos em espaços partilhados.
O artigo apresenta o ROVA, um novo framework de treinamento que melhora a robustez de modelos de visão e linguagem em cenários do mundo real ao utilizar uma estratégia de aprendizado online adaptativa e uma recompensa de consistência, validada pelo novo benchmark PVRBench que demonstra ganhos significativos de precisão e raciocínio sob perturbações como clima e oclusão.
O artigo propõe o FAME, um novo método de explicações abdutivas baseado em interpretação abstrata que escala para grandes redes neurais, reduzindo o tamanho das explicações e eliminando a dependência da ordem de travessia através de domínios de perturbação dedicados e limites baseados em LiRPA.
O artigo apresenta o DxEvolve, um agente de diagnóstico autoevolutivo que emula a cognição clínica ao requisitar exames interativamente e externalizar a experiência acumulada, superando significativamente os modelos tradicionais em precisão diagnóstica e oferecendo um caminho auditável para a evolução contínua da inteligência artificial na medicina.
Este artigo apresenta um framework de modelagem de humanos digitais agnóstico a plataformas que integra o headset OpenBCI Galea e o ambiente de jogo SuperTux para capturar dados multimodais sincronizados e estruturados, facilitando pesquisas reprodutíveis e éticas em interação multimodal e acessibilidade sem depender de modelos de IA específicos ou modificações arquitetônicas.
O artigo apresenta o método "Contract And Conquer" (CAC), que utiliza conhecimento destilado e contração do espaço de busca para garantir a geração provável de exemplos adversariais para modelos de caixa preta, superando os métodos atuais de ponta no conjunto de dados ImageNet.