6819 artigos
Este artigo explora o potencial transformador da inteligência artificial na geração e validação de casos de teste, destacando como essa tecnologia supera os desafios dos métodos tradicionais ao aumentar a eficiência, a cobertura e a confiabilidade dos lançamentos de software, ao mesmo tempo em que aborda os obstáculos relacionados à qualidade dos dados e à supervisão humana.
Este artigo propõe uma reavaliação rigorosa da eficiência energética das Redes Neurais de Spiking (SNNs) em comparação com Redes Neurais Artificiais Quantizadas (QNNs), utilizando um modelo analítico abrangente que considera custos de movimentação de dados e memória, demonstrando que as SNNs só superam as QNNs em regimes operacionais específicos (como baixas taxas de disparo) e que, em cenários otimizados, podem dobrar a vida útil da bateria de dispositivos como relógios inteligentes.
Este artigo propõe uma Rede de Osciladores Acoplados (CON) que, ao garantir estrutura lagrangiana, estabilidade global e mapeamento invertível, permite o controle de alto desempenho de sistemas físicos complexos diretamente no espaço latente utilizando apenas imagens como feedback.
Este artigo apresenta o BNEM, um amostrador baseado em Boltzmann que utiliza a técnica de correspondência de energia com ruído (NEM) combinada com um método de bootstrap para gerar amostras independentes e identicamente distribuídas a partir de funções de energia, alcançando desempenho superior e maior robustez em comparação com trabalhos anteriores.
O artigo apresenta o PiVOT, um novo mecanismo de prompting visual que aproveita um modelo fundacional pré-treinado (CLIP) para gerar e refinar dinamicamente prompts online, permitindo que o rastreador suprima distratores e melhore o desempenho no rastreamento genérico de objetos.
Este artigo apresenta as Equações Diferenciais com Atraso Neurais (NDDEs), um framework contínuo inspirado no formalismo de Mori-Zwanzig que utiliza um conjunto finito de atrasos temporais para aprender dinâmicas não-Markovianas de sistemas parcialmente observáveis de forma mais eficiente e precisa do que métodos existentes como LSTMs e ANODEs.
O artigo apresenta o Puppet-CNN, um framework que modela os parâmetros de redes neurais convolucionais como um sistema dinâmico contínuo governado por equações diferenciais, permitindo a geração adaptativa de camadas baseada na complexidade da entrada e reduzindo significativamente o número de parâmetros armazenados sem comprometer o desempenho.
Este artigo propõe um novo quadro para modelos de difusão que adapta dinamicamente o processo de geração às necessidades de cada amostra, permitindo trajetórias variáveis que mantêm a qualidade da imagem enquanto reduzem o número médio de etapas de amostragem.
O estudo demonstra que agentes de aprendizado por reforço sem contexto podem desenvolver uma "colusão ingênua" em jogos repetidos, onde a emergência desse comportamento anticompetitivo depende criticamente da sincronia das ações e do tipo de política de exploração utilizada, variando de impossível em algoritmos persistentemente aleatórios a inevitável em algoritmos determinísticos.
Este artigo propõe um método de otimização conjunta de parâmetros de sensoriamento, comunicação e velocidade de exploração para minimizar o consumo de energia em sistemas de SLAM vitalício baseados em robôs móveis com LiDAR e odometria, transmitindo dados para reconstrução de mapas em nuvem via aprendizado profundo não supervisionado.
O artigo apresenta o HarmonicEval, uma métrica de avaliação automática sem referência que agrega pontuações por critério de forma bottom-up, e o benchmark MMHE, composto por 18.000 julgamentos humanos em quatro tarefas multimodais, demonstrando que essa abordagem supera as métricas convencionais ao alinhar-se melhor com os julgamentos humanos em cenários de múltiplas tarefas e critérios.
Este artigo propõe um método que utiliza modelos de visão e linguagem pré-treinados para aprender modelos de mundo simbólicos abstratos a partir de demonstrações curtas, permitindo que robôs generalizem para zero-shot e resolvam problemas de tomada de decisão de longo horizonte em cenários complexos e variados através de planejamento.
Este artigo propõe estratégias de redução de dados baseadas em agrupamento no espaço latente para otimizar o treinamento adversário semi-supervisionado, permitindo alcançar robustez comparável com 5 a 10 vezes menos dados não rotulados e reduzir o tempo de execução em 3 a 4 vezes.
Este artigo apresenta um novo framework de ensemble de modelo único para tradução automática neural que utiliza tradução pivô para gerar e agregar candidatos diversos e de alta qualidade, superando os custos computacionais e limitações dos métodos tradicionais de ensemble.
O artigo apresenta o GRADIEND, um método inovador de codificação e decodificação que utiliza gradientes de modelos para identificar e reescrever pesos neurais, permitindo a remoção de vieses sociais (como gênero, raça e religião) em sistemas de IA sem comprometer suas outras capacidades.
Este artigo propõe um novo algoritmo de busca local eficiente para a descoberta de comunidades polarizadas em redes assinadas, que resolve o problema de desequilíbrio de tamanho das comunidades, permite a existência de vértices neutros e garante uma taxa de convergência linear, superando os métodos atuais em qualidade da solução.
Este artigo demonstra que a adaptação de baixo rank (LoRA) reduz significativamente a memorização indesejada em modelos de linguagem grandes treinados por aprendizado federado, preservando o desempenho e podendo ser combinada com outras técnicas de privacidade para proteger dados sensíveis em domínios críticos.
O artigo apresenta o Prompt-SID, um framework de aprendizado auto-supervisionado para remoção de ruído em imagens únicas que utiliza um processo de difusão latente para gerar prompts de representação estrutural e um mecanismo de replay de escala, preservando assim detalhes estruturais e superando as limitações de métodos anteriores que dependem de pares de dados pareados ou causam perda de informação.
Este artigo apresenta um quadro matemático discreto baseado em partições grosseiras e na unificação categórica para quantificar a perda de informação em sistemas de IA, permitindo analisar as compensações entre precisão, interpretabilidade e custos de granularidade em contextos éticos sensíveis como educação e saúde.
O artigo apresenta o framework "Texts as Time Series" (TaTS), que aproveita as propriedades periódicas de textos pareados com séries temporais para aprimorar a previsão e imputação multimodal em modelos existentes, sem a necessidade de alterar suas arquiteturas.