6990 artigos
Este artigo apresenta o DFAH, uma estrutura de garantia que mede independentemente a determinismo e a precisão de agentes de IA em serviços financeiros, revelando que os dois atributos não são correlacionados e que nenhum modelo atual alcança simultaneamente determinismo perfeito e alta precisão, embora arquiteturas baseadas em esquema possam atender aos requisitos de auditoria.
Este trabalho apresenta uma abordagem inovadora para arquiteturas de CNN contínuas e conscientes da taxa de dados em FPGAs, que maximiza a utilização de hardware e permite a implementação eficiente de redes complexas como o MobileNet ao lidar com a redução de dados em camadas de convolução e pooling.
O artigo apresenta o MeanCache, um framework de cache sem treinamento que acelera a inferência de Flow Matching ao substituir a velocidade instantânea por uma perspectiva de velocidade média baseada em produtos vetoriais de Jacobiano, alcançando acelerações de até 4,56x em modelos como FLUX.1 e HunyuanVideo sem comprometer a qualidade da geração.
Este artigo apresenta o BioAgent Bench, uma suite de avaliação e conjunto de dados que mede o desempenho e a robustez de agentes de IA em tarefas de bioinformática, revelando que, embora modelos de ponta consigam executar pipelines complexos, eles falham sob perturbações controladas e que modelos de pesos abertos são preferíveis em cenários que exigem privacidade de dados.
O artigo apresenta o RedSage, um assistente de cibersegurança de código aberto e localmente implantável, treinado com dados de domínio especializado e aumentação agênica, que supera modelos de base em benchmarks de cibersegurança e tarefas gerais de raciocínio.
Este trabalho apresenta o R2M, um novo framework leve de RLHF que supera as limitações da otimização excessiva de recompensas ao alinhar o modelo de recompensa com as mudanças de distribuição da política em tempo real, utilizando estados ocultos da política em vez de depender apenas de informações semânticas superficiais.
Este artigo propõe a aplicação da Análise de Fusão Combinatória (CFA) para prever o preço do Bitcoin, demonstrando que a combinação de diversos modelos de aprendizado de máquina por meio de funções de características de pontuação e classificação supera significativamente os modelos individuais e outros métodos existentes, alcançando um erro médio percentual (MAPE) de 0,19%.
Este estudo avalia o impacto da análise de sentimentos de notícias baseada em LLMs (DeBERTa, RoBERTa e FinBERT) na previsão de movimentos de preços de ações, demonstrando que o DeBERTa individualmente atinge 75% de precisão, um ensemble dos três modelos chega a 80% e que as características de sentimento oferecem benefícios modestos a diversos modelos de previsão.
Este artigo propõe o "Adam-Aware In-Run Data Shapley", um método que supera as limitações das abordagens baseadas em SGD ao calcular atribuições de dados para o otimizador Adam com alta fidelidade e eficiência computacional, utilizando uma nova aproximação linearizada de gradientes fantasmas.
Este estudo demonstra que, para a detecção de valores humanos em nível de frase, a estrutura de valores de ordem superior de Schwartz funciona melhor como um viés indutivo do que como uma regra de roteamento rígida, sendo que os ganhos mais significativos de desempenho provêm de técnicas de calibração e ensembles em vez de arquiteturas hierárquicas complexas.
O artigo apresenta o T2T (Thickening-to-Thinning), um novo framework de recompensa dinâmica inspirado no aprendizado humano que alterna entre incentivar trajetórias mais longas para explorar soluções em tentativas erradas e penalizar o comprimento após o acerto para eliminar redundâncias, resultando em desempenho superior de raciocínio em modelos de linguagem em benchmarks matemáticos.
Este artigo apresenta o FSTab, uma abordagem de ataque em caixa preta que identifica e avalia a persistência de vulnerabilidades recorrentes em softwares gerados por LLMs, demonstrando que modelos de ponta como GPT-5.2 e Claude-4.5 Opus reproduzem falhas previsíveis com alta taxa de sucesso mesmo em domínios não vistos durante o treinamento.
Este trabalho apresenta e avalia um sistema de busca semântica em escala para 9,2 milhões de teoremas matemáticos extraídos de fontes como o arXiv, demonstrando que a recuperação específica de teoremas, e não apenas de artigos inteiros, é viável e eficaz ao utilizar descrições em linguagem natural e modelos de linguagem avançados.
O artigo apresenta o LMMRec, um framework agnóstico ao modelo que utiliza grandes modelos de linguagem e aprendizado contrastivo para extrair e alinhar motivações semânticas de texto e interações, melhorando significativamente a precisão de sistemas de recomendação multimodal.
Este artigo propõe um novo quadro de orientação para difusão condicional sob restrições rígidas, fundamentado na transformada h de Doob e em identidades de martingale, que permite estimar correções de deriva sem modificar a rede de pontuação pré-treinada e oferece garantias teóricas não assintóticas para a satisfação de eventos com probabilidade unitária.
O artigo apresenta o NAAMSE, um framework evolutivo que otimiza a avaliação de segurança de agentes de IA através de mutação de prompts e exploração hierárquica para identificar vulnerabilidades complexas e adaptativas, superando as limitações dos métodos estáticos e de red-teaming manual.
Este artigo propõe um novo quadro unificado de pré-treinamento baseado em difusão para modelos fundamentais de grafos cerebrais, que supera as limitações dos métodos existentes ao utilizar a difusão para orientar estratégias de mascaramento e reconstrução que preservam padrões de conectividade semanticamente significativos e capturam informações estruturais globais, resultando em representações mais robustas validadas em grandes conjuntos de dados de neuroimagem.
O artigo apresenta o CoCoA, um algoritmo de decodificação sem treinamento que mitiga alucinações em Grandes Modelos de Linguagem ao penalizar gerações instáveis detectadas pela desconfiança entre camadas internas, melhorando significativamente a factualidade em diversas tarefas sem necessidade de re-treinamento do modelo.
O artigo propõe o SToRM, um novo framework de redução supervisionada de tokens para modelos de linguagem multimodal que otimiza a condução autônoma de ponta a ponta ao reduzir drasticamente o custo computacional sem comprometer o desempenho.
O artigo apresenta o AGPS, um framework que automatiza o aprendizado por reforço em robôs substituindo supervisores humanos por um agente multimodal que atua como modelo de mundo semântico, resultando em maior eficiência de amostras e escalabilidade para tarefas de manipulação complexas.