7179 artigos
O artigo apresenta o OrthoFormer, uma nova arquitetura baseada em Transformers que integra estimação de variáveis instrumentais via funções de controle neural para separar causalidade de correlações espúrias, garantindo maior robustez e generalização em cenários fora da distribuição.
Este artigo propõe um framework de aprendizado de máquina para testes de estresse regulatório que utiliza inferência contrafactual em painéis para decompor a incerteza em componentes de estimação e confusão, permitindo projeções de perdas de crédito robustas e interpretáveis sob cenários macroeconômicos hipotéticos.
O artigo apresenta o HLER, uma arquitetura de agentes múltiplos que automatiza a pesquisa econômica empírica ao integrar supervisão humana e geração de hipóteses orientada por dados, resultando em uma taxa de viabilidade de 87% e custos reduzidos na produção de manuscritos completos.
O artigo apresenta o Dial, um sistema de NL2SQL baseado em conhecimento que supera as limitações dos métodos existentes ao gerar consultas SQL semanticamente corretas e executáveis em diversos dialetos de banco de dados, utilizando planejamento lógico consciente de dialeto, uma base de conhecimento hierárquica e um ciclo de depuração orientado à execução.
O artigo apresenta o Backdoor4Good (B4G), um novo benchmark e framework que reinterpreta os mecanismos de backdoor em modelos de linguagem grandes como interfaces controláveis e auditáveis para promover tarefas benéficas, como segurança e responsabilidade, demonstrando que esses mecanismos podem ser projetados de forma modular e segura para fortalecer a confiança em sistemas de IA.
Este artigo oferece uma pesquisa abrangente sobre a evolução técnica dos modelos de geração de imagens, detalhando desde VAEs e GANs até métodos baseados em difusão, abordando também avanços na geração de vídeo e as questões de responsabilidade e robustez no seu uso.
Este estudo revela que, no trabalho freelancer, existe uma lacuna de expectativas sobre a divulgação do uso de IA, onde os trabalhadores tendem a ser passivos ao presumir que os clientes conseguem detectar a assistência, enquanto os clientes preferem a divulgação proativa devido à sua própria incerteza, destacando a necessidade de políticas e diretrizes mais claras para fomentar a confiança.
Este trabalho apresenta um framework de avaliação de riscos orientado a objetivos para sistemas baseados em Grandes Modelos de Linguagem (LLMs), que integra modelagem de sistemas com Árvores de Ataque-Defesa e pontuação CVSS para identificar pontos críticos e permitir a criação de defesas direcionadas em contextos de segurança crítica, como demonstrado em um estudo de caso na área da saúde.
O artigo apresenta o Transformer de Duplo Fluxo, uma arquitetura que separa o fluxo residual em componentes de token e contexto para criar um trade-off ajustável entre interpretabilidade e desempenho, permitindo que modelos de linguagem mantenham robustez funcional e aprendam algoritmos discretos enquanto expõem sua estrutura interna por design.
Este artigo propõe um novo quadro de referência centrado no ser humano para analisar o alinhamento entre modelos de IA e a cognição humana, redefinindo a distribuição fora do padrão (OOD) como um espectro de dificuldade perceptual para revelar que a consistência do alinhamento varia significativamente dependendo da arquitetura do modelo e do nível de desafio perceptual.
Este trabalho propõe um framework leve para adaptação on-device de modelos de aprimoramento de fala em ambientes acústicos dinâmicos, que atualiza menos de 1% dos parâmetros do modelo base via adaptadores de baixo posto e treinamento auto-supervisionado, alcançando melhorias significativas na qualidade perceptiva com rápida convergência em cenários de ruído desafiadores.
Este estudo apresenta um framework condicional baseado em difusão e transformadores que gera um conjunto diversificado de conformações tridimensionais do genoma de *Escherichia coli*, guiado por mapas de contato Hi-C, superando a limitação de modelos determinísticos ao produzir estruturas heterogêneas consistentes com os dados experimentais.
Este artigo revela que a falta de autenticação da identidade do chamador em sistemas baseados no Protocolo de Contexto de Modelo (MCP) cria vulnerabilidades críticas de segurança, permitindo que servidores confiem implicitamente em múltiplos chamadores após uma única autorização e expondo operações sensíveis a acessos não autorizados.
O estudo demonstra que modelos de linguagem pré-treinados, quando integrados a codificadores de imagem em modelos de visão-linguagem, conseguem recuperar e generalizar conhecimento taxonômico (hiperônimos) mesmo sem evidência explícita durante o treinamento, indicando que essa capacidade surge da combinação entre a coerência dos dados visuais e o conhecimento derivado de pistas linguísticas.
O artigo apresenta a Arquitetura de Fusão Tardia (LFA), que impõe a independência de fluxos arquitetônicos para separar a estrutura simbólica da semântica contextual, demonstrando que essa restrição estrutural garante interpretabilidade por design, modularidade funcional e maior estabilidade de aprendizado em comparação aos transformers tradicionais.
Este artigo propõe um sistema neural end-to-end inovador para a extração conjunta de conceitos, asserções e relações em textos clínicos, demonstrando desempenho superior ao dos modelos em pipeline tradicionais e estabelecendo uma forte linha de base para pesquisas futuras na área.
O artigo propõe o framework de Evolução de Autonomia Hierárquica (HAE) para abordar as vulnerabilidades de segurança emergentes em agentes de IA, organizando a defesa em três níveis (cognitivo, de execução e coletivo) e apresentando uma taxonomia de ameaças para guiar o desenvolvimento de arquiteturas de proteção multicamadas.
O artigo apresenta o SeDa, um sistema unificado que integra mais de 7,6 milhões de conjuntos de dados de diversas fontes para facilitar sua descoberta e exploração semântica por meio de anotação padronizada, verificação de procedência e navegação contextual baseada em entidades.
Este artigo estabelece uma relação unificada entre modelos de derivação (drifting) e modelos baseados em pontuação (score-based), demonstrando que a derivação com kernel Gaussiano equivale a uma formulação de correspondência de pontuação em distribuições suavizadas e fornecendo limites de erro rigorosos para kernels Laplace.
O artigo apresenta o InterReal, um framework unificado de aprendizado por imitação baseado em física que permite a robôs humanoides aprender e executar com sucesso habilidades de interação humano-objeto no mundo real, superando limitações de frameworks anteriores através de uma nova estratégia de aumento de dados com restrições de contato e um aprendizado automático de recompensas.