2385 artigos
Este trabalho propõe um mecanismo de defesa em camadas, combinando classificadores empilhados, autoencoders e treinamento adversarial, para aumentar a robustez de Sistemas de Detecção de Intrusão em Redes (NIDS) contra ataques gerados por GANs e FGSM, demonstrando maior resiliência nos conjuntos de dados UNSW-NB15 e NSL-KDD.
Este artigo propõe um framework de aprendizado adaptativo de domínio que combina amostragem de lotes sincronizada por estágio de degradação e um autoencoder de fusão alinhada com mecanismos de atenção cruzada para superar as discrepâncias de distribuição e capturar dependências temporais de longo prazo, resultando em indicadores de saúde significativamente mais precisos para monitoramento de condições industriais.
O artigo demonstra que a remoção simples do viés de média (mean bias), que é o principal fator de instabilidade numérica e anisotropia no treinamento de LLMs com baixa precisão (FP4), restaura a estabilidade e o desempenho do modelo de forma eficiente, eliminando a necessidade de métodos espectrais complexos como SVD.
O artigo apresenta o FAR-Dex, um framework hierárquico que combina geração de dados aumentados via simulação e refinamento adaptativo de políticas residuais para superar a escassez de demonstrações e alcançar manipulação destreza robusta e precisa com braços e mãos robóticas.
O artigo apresenta o UniPINN, uma estrutura unificada de Redes Neurais Informadas por Física (PINNs) que resolve os desafios de aprendizado multi-tarefa em diferentes regimes de equações de Navier-Stokes através de uma arquitetura compartilhada-especializada, um mecanismo de atenção entre fluxos e uma estratégia de alocação dinâmica de pesos, resultando em maior precisão e estabilidade de treinamento.
O artigo apresenta o G-STAR, um sistema de ponta a ponta que integra um módulo de rastreamento de falantes temporalmente consciente com um modelo de linguagem de fala (Speech-LLM) para realizar reconhecimento de fala atribuído a falantes com carimbo de tempo em conversas longas e sobrepostas, garantindo consistência de identidade em nível de reunião.
O artigo propõe um quadro unificado para recomendação de notícias que modela a evolução dos interesses do usuário em estágios, combinando a modelagem de preferências de longo prazo com a análise de dinâmicas de curto prazo em subgrafos temporais para superar as limitações dos métodos estáticos existentes.
Este artigo apresenta o SearchLLM, o primeiro modelo de linguagem grande para busca generativa aberta, que utiliza um sistema de recompensa hierárquico e a otimização GRPO para alinhar a síntese de respostas com as preferências dos usuários, garantindo segurança e robustez, com resultados validados por testes online no RedNote que demonstraram melhorias na qualidade de geração e no engajamento.
Este trabalho propõe um framework de alinhamento baseado em negociação multiagente que utiliza treinamento auto-competitivo e RLAIF para otimizar a capacidade de resolução de conflitos e o alinhamento com a Agência Coletiva em modelos de linguagem, sem comprometer suas habilidades gerais.
O artigo apresenta o JEDI, um modelo hierárquico que infere dinâmicas neurais generalizáveis e específicas de contexto a partir de gravações experimentais, aprendendo um espaço de incorporação compartilhado sobre pesos de redes neurais recorrentes para superar as limitações de métodos anteriores em tarefas múltiplas.
Este trabalho demonstra que a exposição ingênua das capacidades de refinamento e raciocínio de sistemas de IA generativa comercial, acessíveis por meio de prompts benignos, mina fundamentalmente os detectores de deepfake modernos ao permitir a criação de imagens que evitam a detecção, preservam a identidade e possuem alta qualidade perceptual, revelando uma lacuna crítica entre os modelos de ameaça atuais e as capacidades reais dessas ferramentas.
Este artigo propõe um framework híbrido leve para o jogo das Amazonas que integra um Autoencoder de Atenção em Grafos e o GPT-4o-mini para superar limitações de recursos, alcançando desempenho superior ao modelo base e a métodos tradicionais através de filtragem estrutural e dados sintéticos.
O artigo apresenta o IH-Challenge, um conjunto de dados de aprendizado por reforço projetado para melhorar a hierarquia de instruções em modelos de linguagem de ponta, resultando em maior robustez contra ataques de segurança, redução de comportamentos inseguros e manutenção da utilidade do modelo.
Este artigo apresenta um framework de aprendizado por reforço multiagente baseado em Proximal Policy Optimization (PPO) para coordenar frotas de drones na entrega dinâmica e priorizada de suprimentos médicos, demonstrando, através de dados geográficos reais, que a abordagem PPO clássica supera estratégias assíncronas e sequenciais em cenários de logística de saúde sob incerteza.
Este estudo avalia a sensibilidade de 11 modelos fundamentais de segmentação de imagens a prompts humanos em tomografias computadorizadas musculoesqueléticas, revelando que o desempenho varia significativamente entre modelos e estratégias de prompt, e que a performance reportada com prompts ideais tende a superestimar os resultados em cenários reais guiados por humanos.
O artigo apresenta o SCORE, uma abordagem recorrente discreta que substitui o empilhamento tradicional de camadas por iterações de um único bloco neural compartilhado com atualizações contrativas inspiradas em EDOs, resultando em menor contagem de parâmetros, maior velocidade de convergência e treinamento acelerado em diversas arquiteturas de redes neurais.
Este trabalho apresenta um novo framework guiado por linguagem para análise cognitiva de defeitos em compósitos de fibra de carbono usando termografia infravermelha ativa e modelos visão-linguagem pré-treinados, permitindo a detecção e localização de defeitos subsuperficiais em cenários zero-shot sem a necessidade de conjuntos de dados de treinamento específicos.
Este artigo propõe um novo framework de auto-ajuste que permite a agentes de IA internalizar experiências em seus parâmetros através de um mecanismo de reflexão bi-perspectiva e aprendizado sem recompensas manuais, superando as limitações de modelos de linguagem tradicionais e demonstrando superioridade em eficiência de amostragem e estabilidade na otimização dinâmica de fatiamento de Redes de Acesso Rádio (RAN).
Este artigo apresenta o CUAAudit, uma meta-avaliação em larga escala que demonstra que, embora os Modelos Visuais-Linguísticos (VLMs) possam atuar como auditores eficazes para Agentes de Uso de Computador (CUAs), eles enfrentam limitações significativas em ambientes complexos e heterogêneos, exibindo degradação de desempenho e desacordo substancial entre modelos, o que destaca a necessidade crítica de considerar a confiabilidade e a incerteza dos avaliadores na implantação de CUAs no mundo real.
Este estudo empírico demonstra que, ao contrário da hipótese de que o alinhamento moral exige algoritmos focados em diversidade, métodos de maximização de recompensa (RLVR) são igualmente eficazes para o raciocínio moral, pois as respostas de alta recompensa nesse domínio formam distribuições mais concentradas do que em tarefas matemáticas.