2385 artigos
O artigo apresenta o NasoVoce, uma interface montada na ponte do nariz que combina microfones e sensores de vibração para capturar sinais acústicos e de condução óssea, permitindo conversas de voz discretas e robustas a ruídos ambientais para interação com IA.
O artigo apresenta o PC-Diffuser, um framework de segurança que integra uma função de barreira consistente com o caminho diretamente no processo de difusão de planejadores de trajetória, garantindo a invariância de segurança e a viabilidade dinâmica durante a geração iterativa de trajetórias para veículos autônomos.
O estudo compara sistematicamente a justiça entre rerankers com e sem raciocínio, descobrindo que os modelos de raciocínio não melhoram nem prejudicam a equidade em comparação com abordagens tradicionais, mantendo as características de justiça da classificação de entrada.
O artigo propõe o CGVD, um framework de inferência livre de treinamento que supera a lacuna entre precisão e raciocínio em modelos de Visão-Linguagem-Ação em ambientes desordenados, utilizando inpainting baseado em Fourier e refinamento de alvos para suprimir distrações semânticas e alcançar uma taxa de sucesso significativamente superior à dos métodos existentes.
O artigo apresenta o FairFAL, um framework de aprendizado ativo federado adaptativo que supera os desafios de desequilíbrio global de classes e heterogeneidade não-IID ao selecionar dinamicamente modelos de consulta e empregar estratégias de amostragem balanceadas para melhorar o desempenho em cenários realistas.
Este artigo apresenta o DIBJudge, um framework de ajuste fino que mitiga o viés de "translationese" em modelos de linguagem multilíngues ao aprender representações essenciais para julgamento e isolar explicitamente fatores espúrios através de um gargalo de informação disjunto.
O artigo apresenta o GenCC, um framework que utiliza modelos de linguagem grandes (LLMs) para gerar automaticamente funções de utilidade de controle de congestionamento, superando os protocolos existentes em até 142% ao adaptar-se a requisitos específicos de aplicações e capacidade de rede.
O artigo apresenta o HEAL, um quadro de aprendizado sem reforço que supera as limitações da destilação tradicional ao integrar mecanismos de reparo assistido por entropia, estimativa de incerteza e evolução curricular progressiva para transferir capacidades de raciocínio de modelos grandes para modelos menores, permitindo que estes aprendam a resolver problemas complexos que os modelos professores não conseguem resolver sozinhos.
O artigo propõe uma estrutura de fusão dinâmica de conhecimento que combina aprendizado contrastivo e prompts estruturados para superar os desafios de modelagem de histórico e escassez de dados no rastreamento de estado de diálogo multi-domínio, resultando em maior precisão e generalização.
Este trabalho propõe uma reformulação causal para Sistemas de Recomendação Generativos, introduzindo as arquiteturas AttnLFA e AttnMVP que eliminam a intercalação ineficiente de tokens para reduzir a complexidade sequencial e o tempo de treinamento, enquanto superam consistentemente as abordagens atuais em desempenho e eficiência.
Este artigo propõe um framework de adaptação com poucos exemplos para ambientes não estacionários em robótica, que estima um "ID de tendência" latente e regularizado para ajustar o sistema a mudanças ambientais sem modificar os pesos do modelo, evitando assim o esquecimento catastrófico e reduzindo custos computacionais.
Este estudo introduz o conceito de "escrita reativa" para descrever como a colaboração com IA altera o processo criativo, transformando a avaliação de sugestões em uma atividade central que, embora os autores percebam estar no controle, acaba por moldar suas ideias e opiniões de forma sutil e não percebida.
O artigo propõe os Grafos de Conceitos Causais (CCG), uma estrutura que mapeia dependências causais entre conceitos em espaços latentes de modelos de linguagem para aprimorar o raciocínio passo a passo, demonstrando superioridade sobre métodos existentes em tarefas de raciocínio lógico.
Este artigo propõe uma nova lei de escalonamento para modelos Mixture-of-Experts (MoE) que define uma relação de potência para a alocação ótima de computação entre camadas de atenção e especialistas, permitindo o ajuste preciso de arquiteturas escaláveis dentro de orçamentos de computação fixos.
O artigo apresenta o TRACED, um framework que avalia a qualidade do raciocínio de LLMs através de uma abordagem geométrica, decompondo os traços de raciocínio em "Progresso" (deslocamento) e "Estabilidade" (curvatura) para distinguir trajetórias corretas de alucinações com base em suas dinâmicas topológicas.
Este artigo apresenta um novo framework de controle probabilístico seguro para interação humano-robô que combina funções de barreira de controle com controle de risco conformal para fornecer garantias formais de segurança, ajustando dinamicamente as margens de segurança e demonstrando, em experimentos, uma redução significativa nas colisões e violações de segurança em comparação com métodos de base.
Este artigo propõe novas técnicas de elicitação de incerteza baseadas em probabilidades imprecisas para capturar a incerteza de primeira e segunda ordem em Grandes Modelos de Linguagem (LLMs), superando as limitações dos métodos probabilísticos clássicos e melhorando a confiabilidade das respostas em cenários ambíguos e complexos.
Este artigo investiga a dinâmica de aprendizado de redes lineares de duas camadas treinadas com SGD e ruído de rótulos, revelando um comportamento bifásico no qual o ruído impulsiona a transição do regime "lazy" para o "rich", melhorando a generalização e oferecendo insights aplicáveis a algoritmos como SAM.
Este artigo apresenta o algoritmo PP-LUCB, que otimiza a seleção de configurações de sistemas de serviço baseando-se em evidências textuais ao combinar avaliações de modelos de linguagem com auditorias humanas seletivas para corrigir vieses sistemáticos e reduzir significativamente os custos de verificação.
O artigo apresenta o STemDist, o primeiro método de destilação de dados especializado para previsão espaço-temporal, que comprime simultaneamente as dimensões espacial e temporal para reduzir significativamente o tempo de treinamento e o uso de memória, mantendo ou melhorando a precisão das previsões.