6785 artigos
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.
Esta pesquisa oferece uma revisão abrangente dos avanços recentes nos Grandes Modelos de Linguagem (LLMs), abordando suas origens, técnicas principais (como pré-treinamento e ajuste fino), capacidades de utilização e avaliação, além de discutir recursos disponíveis e desafios futuros.
Esta pesquisa de revisão examina a aplicação da teoria da utilidade na modelagem cognitiva de sistemas robóticos, analisando a evolução desde arquiteturas comportamentais até sistemas de valor em agentes individuais e multiagentes, e propõe direções futuras e problemas em aberto para o desenvolvimento de interações robóticas estáveis e confiáveis.
Este artigo propõe um algoritmo baseado em loops para o agendamento e roteamento online e sem conflitos de veículos guiados automáticos (AGVs) em grafos de loop, demonstrando experimentalmente que ele supera ou iguala o desempenho de outros métodos com menor tempo de computação.
O artigo apresenta o Agent-OM, um novo paradigma baseado em agentes de LLM que utiliza um framework com agentes siameses e ferramentas específicas para realizar correspondência de ontologias, demonstrando desempenho superior em tarefas complexas e de poucos exemplos em comparação com os sistemas mais avançados existentes.
Este artigo apresenta uma revisão abrangente da Avaliação Adaptativa Computadorizada (CAT) sob uma perspectiva de aprendizado de máquina, explorando como técnicas modernas podem otimizar modelos de medição, seleção de questões e controle de testes para criar sistemas mais robustos, justos e eficientes.
O artigo apresenta o FEX, um novo framework que utiliza otimização por gradiente de política para gerar explicações baseadas em atribuição de forma rápida e escalável, reduzindo drasticamente o tempo de inferência e o uso de memória em comparação com abordagens tradicionais, sem comprometer a qualidade ou a aplicabilidade geral.
Este artigo investiga a fase de corrupção observada no ajuste fino de poucos exemplos de Modelos de Difusão, identifica sua causa na distribuição de aprendizado restrita e propõe o uso de Redes Neurais Bayesianas para mitigar esse problema, melhorando a fidelidade, qualidade e diversidade das imagens geradas sem custos adicionais de inferência.
O artigo apresenta o LAMBDA, um sistema de análise de dados baseado em agentes de linguagem natural de código aberto e sem necessidade de programação, que combina agentes programadores e inspetores com intervenção humana direta e integração de conhecimento externo para tornar a análise de dados mais acessível e eficiente.
O artigo apresenta o OTAD, um modelo de defesa adversarial robusto que combina treinamento de redes neurais com regularização baseada em transporte ótimo e interpolação via problema de integração convexa para garantir continuidade de Lipschitz local, superando modelos existentes em diversos conjuntos de dados.
Este artigo propõe um método de Amostragem de Importância Annealed (AIS) combinado com reparametrização eficiente para otimizar o aprendizado variacional de Modelos de Variáveis Latentes de Processo Gaussiano (GPLVMs), superando as limitações de abordagens anteriores em espaços de alta dimensão e alcançando melhores limites variacionais e convergência em diversos conjuntos de dados.
Este artigo apresenta o MLVAS, um sistema multimodal que integra análise de vídeo e áudio para extrair automaticamente segmentos-chave e métricas de videolaringoscopia, visando auxiliar no diagnóstico clínico da paralisia das pregas vocais.