6987 artigos
O artigo apresenta a Regressão Isotônica Shapley Esparsa (SISR), um novo framework unificado de explicação não linear que supera as limitações de aditividade e custo computacional dos valores Shapley tradicionais ao aprender simultaneamente uma transformação monótona para restaurar a aditividade e impor esparsidade para identificar características relevantes em espaços de alta dimensão.
O artigo apresenta o Parallel Decoder Transformer (PDT), uma arquitetura que internaliza a coordenação de geração paralela em modelos de linguagem congelados, utilizando um planejador inicial e um mecanismo de "Dynamic Notes Bus" para sincronizar múltiplos fluxos de decodificação sem depender de orquestração externa.
Este trabalho apresenta o MaGRoad, um novo framework baseado em raciocínio centrado em caminhos, e o dataset WildRoad para superar as limitações dos métodos atuais na extração robusta de redes viárias em ambientes off-road, alcançando desempenho superior e maior eficiência inferencial.
O artigo apresenta o SALVE, um framework unificado que utiliza autoencoders esparsos e mapeamento de saliência para descobrir, validar e realizar edições precisas no espaço de pesos de redes neurais, permitindo o controle mecânico e interpretável de seus comportamentos.
Este artigo apresenta uma pesquisa abrangente sobre a adaptação de agentes de IA pós-treinamento, organizando o campo fragmentado em um framework de quatro paradigmas que engloba a adaptação do agente e das ferramentas, analisando métodos de pós-treinamento, arquiteturas de memória adaptativa e habilidades de agentes, além de discutir suas compensações, práticas de avaliação e desafios futuros.
O artigo apresenta o LaMer, um framework de Meta-RL que capacita agentes de linguagem a explorar ativamente e adaptar suas políticas em tempo de execução por meio de reflexão, superando significativamente as abordagens de RL tradicionais em tarefas de longo prazo e ambientes não vistos.
O artigo apresenta o Re-Depth Anything, um framework de auto-supervisão em tempo de teste que aprimora a estimativa de profundidade monocromática ao fundir modelos fundamentais com priors de modelos de difusão 2D para re-sintetizar a iluminação e refinar a profundidade sem rótulos, superando significativamente os modelos existentes como o Depth Anything V2 e alcançando resultados state-of-the-art ao ser aplicado sobre o Depth Anything 3.
Este artigo demonstra que, em ambientes de nuvem como o Google BigQuery, os modelos de linguagem com raciocínio reduzem significativamente os custos de execução de consultas Text-to-SQL ao processarem menos dados e evitarem padrões ineficientes, revelando que a otimização de tempo não garante eficiência financeira e fornecendo diretrizes para mitigar riscos em ambientes corporativos.
O artigo apresenta o NeuroSPICE, um framework baseado em Redes Neurais Informadas pela Física (PINN) que resolve equações diferenciais-algébricas de circuitos e dispositivos para oferecer vantagens em problemas inversos e otimização de projeto, especialmente em sistemas não lineares emergentes como memórias ferroelétricas.
Este artigo apresenta o quadro de Codificação Congruente à Conservação (CCE), uma estrutura física unificada que explica a inteligência como um processo termodinâmico emergente, conectando dissipação, medição quântica e geometria do espaço-tempo para derivar limites fundamentais da computação e da consciência.
Este artigo propõe um novo quadro de avaliação focado na segurança operacional para previsão de carga elétrica, demonstrando que métricas tradicionais como MAPE são insuficientes para capturar riscos de subprevisão e que, embora a integração explícita de dados meteorológicos e modelos de espaço de estado reduzam a incerteza, a calibração probabilística exige restrições de viés para evitar a "segurança falsa" gerada por superprevisões excessivas.
O artigo apresenta o DrivingGen, o primeiro benchmark abrangente para modelos de mundo generativos na condução autónoma, que combina um conjunto de dados diversificado com métricas inovadoras para avaliar a realismo visual, a plausibilidade de trajetórias, a coerência temporal e o controlo, preenchendo lacunas críticas na avaliação e fomentando o desenvolvimento de simuladores mais fiáveis e seguros.
O artigo apresenta o Batch-of-Thought (BoT), um método sem treinamento que melhora o raciocínio de Grandes Modelos de Linguagem ao processar consultas relacionadas em conjunto para identificar padrões compartilhados e detectar erros, resultando em maior precisão e redução de custos de inferência.
O NC-Bench é um novo benchmark para avaliar a competência conversacional de modelos de linguagem, focando na estrutura e no formato das interações com base no IBM Natural Conversation Framework, em vez do conteúdo, e revela que, embora os modelos se saiam bem em respostas básicas, enfrentam dificuldades significativas em tarefas de reparo e em solicitações complexas de múltiplas voltas.
Este estudo audita e realiza uma etnografia traçada do preditor LAION-Aesthetics, revelando como seu viés algorítmico reforça o olhar imperial e masculino ao filtrar desproporcionalmente imagens com representações de mulheres, homens e pessoas LGBTQ+, além de priorizar estilos artísticos ocidentais e japoneses, devido à origem de seus dados de treinamento em fotógrafos anglófonos e entusiastas de IA ocidentais.
O artigo apresenta o "Single-Shot Planning" para Agentes de Uso de Computador, uma arquitetura de segurança que gera um plano de execução completo antes de observar o ambiente, garantindo integridade contra injeções de prompt e ataques de desvio de ramificação enquanto mantém ou melhora o desempenho em modelos de IA.
O artigo apresenta o BoxMind, um sistema de IA de ciclo fechado que transforma dados de vídeo em estratégias táticas otimizadas, validado durante os Jogos Olímpicos de 2024 com contribuições diretas para o histórico desempenho da equipe nacional de boxe da China.
O artigo propõe o MSAHG, um método de aprendizado em hipergrafos que utiliza sub-hipergrafos disjuntos por cenário e um mecanismo de divisão de parâmetros para superar as limitações das abordagens existentes ao capturar padrões de mobilidade específicos e resolver conflitos entre diferentes contextos na recomendação de próximos locais de interesse.
O artigo apresenta o DevBench, um benchmark baseado em dados reais de desenvolvedores que avalia modelos de linguagem em tarefas de geração de código com alta validade ecológica, oferecendo diagnósticos detalhados sobre precisão sintática, raciocínio semântico e utilidade prática para orientar a seleção e o aprimoramento de modelos.
O artigo apresenta o MAS-Orchestra, um framework de treinamento que formula a orquestração de agentes como um problema de aprendizado por reforço para gerar sistemas multiagentes de forma holística, e o MASBENCH, um benchmark controlado que demonstra que os benefícios dos sistemas multiagentes dependem criticamente da estrutura da tarefa, permitindo melhorias consistentes e eficiência superior em diversas tarefas de raciocínio.