5458 artigos
O artigo propõe o "Local Classifier Alignment" (LCA), uma nova função de perda que alinha classificadores específicos de tarefas com um backbone adaptado em aprendizado contínuo, mitigando o esquecimento catastrófico e alcançando desempenho superior ao estado da arte em diversos benchmarks.
Este artigo propõe um framework leve que parametriza prompts como ações para influenciar o comportamento de diálogos em sistemas multiagentes baseados em LLMs sem necessidade de treinamento, demonstrando sua eficácia em controlar dinâmicas conversacionais e simular interações sociais.
O artigo propõe o MSSR, um framework de replay adaptativo que estima a força de memória em nível de amostra e agenda a reutilização de dados em intervalos dinâmicos para mitigar o esquecimento catastrófico durante o ajuste contínuo de grandes modelos de linguagem, superando os métodos existentes em eficiência e desempenho.
O artigo apresenta o MedMASLab, um framework unificado e plataforma de benchmarking para sistemas de agentes médicos multimodais que estabelece um protocolo de comunicação padronizado, um avaliador de raciocínio clínico automatizado e o maior conjunto de testes até a data, revelando lacunas críticas de desempenho na transição entre subdomínios médicos especializados.
Este artigo apresenta uma abordagem baseada em inteligência artificial e aprendizado de máquina que utiliza dados de licenças e crowdsourcing para estimar com precisão a demanda por espectro, auxiliando reguladores no planejamento dinâmico e na alocação eficiente de recursos em cinco cidades canadenses.
O artigo apresenta o ACADiff, um framework baseado em difusão latente que utiliza dados clínicos e metadados para sintetizar modalidades de imagem cerebral ausentes e realizar a imputação de dados multimodais, demonstrando desempenho superior na geração de imagens e na manutenção da precisão diagnóstica para a doença de Alzheimer mesmo em cenários com até 80% de dados faltantes.
Este artigo apresenta uma metodologia baseada em dados e aprendizado de máquina para estimar e identificar os principais fatores da variação da demanda por espectro em regiões urbanas, demonstrando sua eficácia em um estudo de caso no Canadá para orientar políticas de acesso flexível ao espectro nas redes 6G.
O artigo apresenta o PathMem, um framework multimodal centrado na memória que, inspirado no processo cognitivo de patologistas humanos, organiza o conhecimento estruturado em memória de longo prazo e utiliza um Transformer de Memória para integrá-lo dinamicamente à memória de trabalho, resultando em desempenho superior na geração de laudos e diagnósticos abertos em patologia computacional.
O artigo apresenta o k-MTR, um framework de aprendizado de representação no espaço k que elimina a necessidade de reconstrução de imagens ao alinhar dados subamostrados diretamente com rótulos fisiológicos, permitindo uma análise cardíaca multi-tarefa precisa e eficiente sem passar pelo passo intermediário de formação de imagem.
Este artigo estabelece que a abstenção baseada em confiança em sistemas de decisão ranqueada só melhora consistentemente a qualidade quando as condições de alinhamento de rank e ausência de zonas de inversão são atendidas, demonstrando empiricamente que a incerteza estrutural favorece esse ganho, enquanto a incerteza contextual (como deriva de distribuição) frequentemente viola a monotonicidade e exige sinais de confiança específicos para mitigar falhas.
Este artigo apresenta o Indicador de Superajuste-Subajuste (OUI) como um sinal estrutural precoce e eficiente para identificar taxas de aprendizado ideais em algoritmos PPO, demonstrando que a análise das ativações neuronais permite descartar execuções promissoras muito antes do término do treinamento com maior precisão do que métricas tradicionais.
Este trabalho apresenta os "neural debuggers", modelos de linguagem que emulam depuradores tradicionais permitindo controle interativo sobre a execução de código Python, superando as limitações dos interpretadores neurais existentes e estabelecendo as bases para sistemas de codificação autônomos mais avançados.
O estudo demonstra que, ao contrário do comportamento humano, o raciocínio em modelos de linguagem aumenta consistentemente a honestidade, não apenas pelo conteúdo do pensamento, mas porque o processo de geração de tokens deliberativos navega por um espaço representacional onde as respostas enganosas são metaestáveis e mais facilmente destabilizadas do que as honestas.
O artigo apresenta o BEACON, um método que supera as limitações de navegação baseada em linguagem em cenários com oclusão ao prever um mapa de calor de affordance em visão de pássaro (BEV) a partir de observações multiview, alcançando uma melhoria significativa de 22,74 pontos percentuais em relação às abordagens de estado da arte baseadas em espaço de imagem.
Este artigo estende a equação das abelhas para um modelo baseado em agentes que incorpora valência e excitação emocionais como moduladores das taxas de interação, demonstrando como a contágio emocional e os pontos de virada estruturais influenciam a formação de consenso e a velocidade de decisão em sistemas coletivos.
Este estudo avalia um guia virtual baseado em modelos de linguagem de grande escala para pessoas cegas ou com baixa visão, revelando que, embora os participantes o tratem como uma ferramenta quando sozinhos, eles o adotam como um companheiro social em ambientes virtuais compartilhados, gerando recomendações de design para futuras implementações.
Este artigo demonstra que, em cenários de dados realistas com características correlacionadas, a superposição em redes neurais pode organizar-se de forma a transformar interferências em efeitos construtivos, gerando agrupamentos semânticos e estruturas cíclicas que não são explicadas pelo modelo tradicional de superposição baseado em características não correlacionadas.
Este artigo apresenta duas abordagens de detecção de pontos de mudança baseadas em redes neurais e aprendizado online, que possuem complexidade computacional linear, superam os métodos existentes em diversos conjuntos de dados e são provadas convergir para soluções ótimas.
Este artigo oferece uma visão geral da Aprendizagem por Reforço Automatizada (AutoRL), abrangendo sua literatura, técnicas recentes baseadas em modelos de linguagem, desafios e direções futuras para automatizar componentes como modelagem de MDP, seleção de algoritmos e otimização de hiperparâmetros.
Este artigo propõe um modelo de classificação baseado em subsequências e consciente da incerteza, que combina desempenho comparável aos métodos de ponta com explicabilidade nativa para lidar com séries temporais astronômicas incertas, superando as limitações de métodos interpretáveis existentes e ignorando a incerteza dos dados.