5048 artigos
O artigo apresenta o "Guardian", um sistema de suporte à decisão que utiliza uma arquitetura de três camadas combinando cadeias de Markov, aprendizado por reforço e validação por modelos de linguagem para gerar planos de busca interpretáveis e otimizados para crianças desaparecidas nas primeiras 72 horas.
O artigo apresenta o PathoScribe, um framework unificado baseado em modelos de linguagem (LLM) que transforma arquivos de patologia estáticos em uma biblioteca viva e inteligente, permitindo recuperação semântica, construção automatizada de coortes e raciocínio clínico com alta precisão, conforme demonstrado em uma avaliação com 70.000 relatórios cirúrgicos.
O artigo apresenta o VoxEmo, um benchmark abrangente para avaliar Modelos de Linguagem de Áudio em Reconhecimento de Emoções, oferecendo um toolkit padronizado e protocolos de avaliação que capturam a ambiguidade inerente às emoções humanas e demonstram que, embora os modelos zero-shot tenham menor precisão em rótulos rígidos, eles se alinham melhor com as distribuições subjetivas humanas.
Este artigo propõe o "AgentOS", um novo paradigma de sistema operacional baseado em uma interface natural que substitui as aplicações tradicionais por módulos de habilidades coordenados por um kernel de agentes, transformando a gestão do sistema em um processo contínuo de mineração de dados e descoberta de conhecimento para superar as limitações dos sistemas operacionais atuais.
O artigo apresenta o BiCLIP, um framework simples e eficiente que adapta modelos de linguagem e visão a domínios especializados aplicando uma transformação geométrica canônica baseada em poucos exemplos, alcançando resultados state-of-the-art em diversos benchmarks.
O artigo apresenta o Guardian, um sistema de pipeline multi-LLM que utiliza modelos especializados, um mecanismo de consenso e ajuste fino QLoRA para extrair e processar informações de forma auditável e coordenada, visando otimizar as investigações de pessoas desaparecidas nas primeiras 72 horas críticas.
Este artigo apresenta o \texttt{EinSum}, uma notação de soma de Einstein adaptada para computação tensorial-relacional que permite a reescrita automática de cálculos para executar componentes intensivos em kernels numéricos eficientes enquanto gerencia a esparsidade por meio de sistemas relacionais.
Este trabalho apresenta o algoritmo FaBRIC, que integra análises de alcançabilidade direta e indireta para verificar sistemas de feedback neural não lineares, superando significativamente o estado da arte em benchmarks representativos.
O artigo apresenta o SLoD, um framework que utiliza difusão de núcleo de calor em variedades hiperbólicas para criar uma representação contínua de conhecimento em múltiplas escalas, permitindo a detecção automática de limites de abstração semântica em grafos de conhecimento.
O artigo apresenta o Arbiter, um framework que combina regras de avaliação formal e varredura com múltiplos modelos de linguagem para detectar padrões de interferência em prompts de sistema de agentes de codificação, revelando vulnerabilidades críticas em ferramentas de grandes empresas e demonstrando que a arquitetura do prompt influencia o tipo de falha, mas não sua gravidade.
Este estudo caracteriza sistematicamente o cenário de ameaças dos sistemas multiagentes (MAS) e avalia quantitativamente 16 frameworks de segurança, revelando que nenhum deles oferece cobertura majoritária para as categorias de risco identificadas, com destaque para a lacuna crítica em não determinismo e vazamento de dados.
Este artigo analisa a disparidade de gênero em modelos de detecção de deepfakes de áudio, demonstrando que métricas de justiça revelam desigualdades ocultas nas taxas de erro que as métricas tradicionais agregadas não capturam, destacando a necessidade de avaliações equitativas para sistemas mais robustos.
Este trabalho apresenta o algoritmo CMA-ES-IG, que melhora a aprendizagem de preferências de usuários não especialistas em robótica ao incorporar considerações de experiência do usuário na geração de consultas, resultando em maior escalabilidade, robustez a ruídos e preferência dos usuários em comparação com métodos existentes.
O artigo apresenta o Meissa, um modelo de linguagem multimodal médico leve de 4 bilhões de parâmetros que, ao ser treinado offline com trajetórias estruturadas, supera ou iguala agentes proprietários de ponta em diversos benchmarks médicos, oferecendo uma solução de baixo custo, baixa latência e privacidade garantida para ambientes clínicos.
O artigo propõe a fenomenologia da IA como um quadro de pesquisa que, ao priorizar as percepções de primeira pessoa e a evolução temporal da interação humano-IA, oferece ferramentas metodológicas e conceitos de design para capturar a complexidade da experiência humana com sistemas de IA além das métricas tradicionais de desempenho.
O artigo apresenta o MEMO, um framework de auto-jogo que combina retenção de memória e exploração para otimizar o contexto de inferência em modelos de linguagem, reduzindo a variabilidade e aumentando significativamente as taxas de vitória em jogos multiagente de múltiplas rodadas.
O artigo apresenta o Pichay, um sistema de paginação sob demanda que trata o contexto de modelos de linguagem como uma hierarquia de memória virtual, reduzindo drasticamente o consumo de recursos ao evitarem conteúdo obsoleto e recuperando-o automaticamente quando necessário, demonstrando que problemas como limites de contexto e degradação de atenção são essencialmente questões de gerenciamento de memória.
Este artigo apresenta um pipeline automatizado que utiliza Grandes Modelos de Linguagem (LLMs) para detectar e analisar as causas raiz de testes flutuantes em software quântico, expandindo um conjunto de dados existente e demonstrando que o modelo Google Gemini alcança alta precisão na classificação e identificação de falhas.
O artigo apresenta o PlayWorld, um pipeline autônomo e escalável que treina simuladores de mundo de vídeo de alta fidelidade a partir de interações não supervisionadas de robôs, superando as limitações de dados humanos para prever interações físicas complexas e melhorar significativamente o desempenho de políticas de aprendizado por reforço no mundo real.
O artigo apresenta o WS-Net, uma nova estrutura de aprendizado profundo para desmistificação hiperespectral que combina modelagem de espaço de estados (Mamba) e atenção a sinais fracos para superar a colapso de respostas espectrais fracas, alcançando reduções significativas nos erros de estimativa de abundância em comparação com métodos existentes.