7017 artigos
O artigo apresenta o AVDE, um framework leve e eficiente que utiliza aprendizado contrastivo e um modelo autoregressivo de "predição de próxima escala" para decodificar sinais de EEG em imagens, superando os métodos atuais em precisão e reduzindo significativamente o custo computacional.
O estudo demonstra que a maior parte da discordância entre médicos na avaliação de IA em saúde é estrutural e inerente a casos clínicos limítrofes, embora a redução de incertezas evitáveis, como falta de contexto, possa oferecer melhorias pontuais no design da avaliação.
O artigo apresenta o CeRA, um adaptador paralelo que supera a limitação linear do LoRA em tarefas de raciocínio complexo ao induzir expansão de variedades via portas SiLU e dropout estrutural, permitindo alcançar desempenho superior com ranks significativamente menores.
Este trabalho propõe formular o planejamento generalizado como um problema de aprendizado de modelos de transição explícitos, demonstrando que prever estados intermediários em vez de ações diretas resulta em maior generalização fora da distribuição e eficiência amostral com modelos menores do que as abordagens baseadas em Transformers que predizem sequências de ações diretamente.
Este artigo descreve como o uso de um modelo de linguagem grande (LLM) especializado e ajustado para gerar milhões de rótulos de relevância textual permitiu aprimorar o sistema de classificação da App Store, resultando em ganhos simultâneos na relevância comportamental e textual e em um aumento estatisticamente significativo na taxa de conversão, especialmente para consultas de cauda longa.
O artigo apresenta o Attn-QAT, um método pioneiro de treinamento consciente de quantização (QAT) para atenção em FP4 que, ao corrigir instabilidades de treinamento através de recomputação de baixa precisão e ajustes nos cálculos de gradiente, permite a computação de ponta a ponta em FP4 sem heurísticas de mitigação de outliers, recuperando a qualidade do modelo e oferecendo até 1,5x de aceleração em GPUs RTX 5090.
O artigo apresenta o PEPA, uma arquitetura cognitiva de três camadas que utiliza traços de personalidade para permitir que agentes corporificados gerem objetivos internos e operem de forma autônoma e persistente em ambientes dinâmicos, validado experimentalmente em um robô quadrúpede real.
Este trabalho apresenta um quadro reprodutível para avaliar o raciocínio de modelos multimodais em sinais de ECG, decompondo-o em percepção (verificada via geração de código) e dedução (validada contra critérios clínicos estruturados), permitindo uma avaliação escalável e rigorosa da verdadeira capacidade de raciocínio clínico.
Este artigo apresenta um framework de previsão conformal que garante cobertura estatística para a extração de entidades médicas por modelos de linguagem, demonstrando que a calibração depende do domínio clínico e da estrutura do documento, permitindo a implantação segura com taxas de rejeição gerenciáveis.
Este relatório técnico valida estendida e empiricamente a Espaço de Soluções de Explicabilidade (ESS) através de uma avaliação transversal que, além da previsão de rotatividade de funcionários, incorpora um sistema heterogêneo de alocação de recursos urbanos inteligentes, demonstrando a generalidade e adaptabilidade do framework a diferentes domínios, perfis de risco e configurações de partes interessadas.
Este artigo apresenta um framework híbrido que combina um Modelo de Markov Oculto para inferir estados ocultos de rivais e uma Rede Q Profunda para otimizar a estratégia de energia em corridas de Fórmula 1 de 2026, permitindo a detecção de armadilhas estratégicas como o "counter-harvest" em um ambiente de observabilidade parcial.
O artigo apresenta o HarmonyCell, um framework de agente autônomo que resolve as heterogeneidades semântica e estatística em estudos de perturbação de células únicas, unificando metadados via LLM e otimizando arquiteturas de modelos com busca em árvore Monte Carlo para superar deslocamentos de distribuição sem necessidade de engenharia específica por conjunto de dados.
Este artigo apresenta um novo quadro de aprendizado por reforço profundo assistido por modelos de linguagem (LLM) que mapeia instruções em linguagem natural para regras executáveis e anotações semânticas, melhorando a eficiência de dados, a conformidade com restrições e a transferabilidade entre tarefas em ambientes complexos.
Este artigo apresenta um pipeline baseado em detecção que integra um localizador e um segmentador para extrair com precisão e generalidade a forma de onda da área glótica a partir de videoendoscopia de alta velocidade, permitindo a avaliação clínica robusta de biomarcadores funcionais em tempo real.
Este artigo propõe um framework robusto que combina a arquitetura híbrida CoAtNet com a técnica de "model soups" para classificar imagens de Patrimônio Cultural Imaterial do Delta do Mekong, alcançando resultados state-of-the-art ao reduzir a variância e melhorar a generalização em cenários com dados limitados.
Este artigo apresenta um framework de diagnóstico que demonstra que, em agentes LLM com memória, a qualidade da recuperação é o fator determinante para o desempenho, superando significativamente o impacto das estratégias de escrita e sugerindo que métodos de armazenamento simples e sem perdas podem ser mais eficazes do que abordagens complexas e custosas.
Os autores apresentam um framework de avaliação baseado em agentes para testar raciocínio lógico, demonstrando sua eficácia ao benchmarkar um agente de auto-formalização no conjunto de dados FOLIO, onde ele superou uma linha de base de cadeia de pensamento com 86,70% de precisão.
Este artigo apresenta o GramCol e o IMAP, métodos que localizam espacial e temporalmente conceitos de movimento e objetos em Transformers de Difusão de Vídeo sem necessidade de cálculo de gradiente ou atualização de parâmetros, oferecendo mapas de saliência interpretáveis para tarefas como segmentação semântica zero-shot.
Este artigo estabelece a primeira separação teórica entre o Adam e o SGD, demonstrando que a normalização do segundo momento no Adam permite uma dependência de no parâmetro de confiança para a convergência de alta probabilidade, superando a dependência de inerente ao SGD.
O artigo apresenta a Decomposição de Sonda Composicional (CPD) para demonstrar que a alinhamento da tarefa de treinamento e a arquitetura equivariante são fatores determinantes que moldam a acessibilidade linear e a disjunção de informações geométricas e composicionais em modelos de base atômica, revelando que modelos treinados em propriedades específicas (como o gap HOMO-LUMO) organizam seus representações de forma mais eficiente do que aqueles treinados apenas em energia.