2385 artigos
O artigo apresenta os Processos de Student-t Variacionais Esparsos (SVTP), um novo framework que estende o método de pontos induzidos esparsos para processos de Student-t, oferecendo algoritmos de inferência escaláveis e robustos que superam os Processos Gaussianos Esparsos na modelagem de dados com caudas pesadas e outliers, mantendo eficiência computacional em grandes conjuntos de dados.
Este artigo propõe um quadro unificado que modela a quantização e a esparsificação como ruído aditivo e introduz uma transformada de dequantização por dedução para estabelecer um caminho de gradiente explícito, permitindo o treinamento estável e robusto de redes neurais em precisões arbitrárias e níveis de esparsidade, incluindo regimes sub-bit e A1W1.
O artigo apresenta o DRUPI, um método de condensação de dados que melhora o desempenho de modelos ao sintetizar informações privilegiadas (como rótulos de características ou atenção) junto com o conjunto de dados reduzido, oferecendo supervisão auxiliar que supera as abordagens tradicionais baseadas apenas em pares de dados e rótulos.
O artigo apresenta o LayoutDreamer, um framework que utiliza 3D Gaussian Splatting e um grafo de cena direcionado para gerar cenas composicionais 3D de alta qualidade, fisicamente plausíveis e altamente controláveis a partir de prompts de texto, superando os métodos existentes em alinhamento semântico e realismo.
Este artigo apresenta o Astromer 2, um modelo fundamental aprimorado para análise de curvas de luz que, ao ser pré-treinado de forma auto-supervisionada no levantamento MACHO, supera significativamente seu predecessor e modelos anteriores em tarefas de classificação, especialmente em cenários com dados rotulados limitados.
Este artigo introduz o conceito de "assinatura espacial" de um conjunto de dados para mapear pontos em um espaço de baixa dimensão onde utilidades se tornam funcionais lineares, permitindo uma metodologia prática com métrica explícita para avaliar e garantir a robustez da valoração de dados baseada em semivalores frente a mudanças na escolha da utilidade.
O artigo apresenta o MKE-Coder, um novo framework que utiliza conhecimento multi-axial e verificação de evidências clínicas para melhorar a precisão e a velocidade da codificação automática de ICD em registros médicos eletrônicos chineses.
O artigo apresenta o LLM-Advisor, um framework que utiliza modelos de linguagem grandes como consultores pós-processamento para refinar o planejamento de caminhos em terrenos heterogêneos, demonstrando melhorias significativas na eficiência de custos em comparação com métodos tradicionais, apesar das limitações de raciocínio espacial dos LLMs em cenários zero-shot.
O artigo apresenta o HyConEx, um classificador baseado em hiperredes profundas para dados tabulares que, de forma inovadora, combina previsões de classe e a geração de exemplos contrafactuais locais para explicar as decisões do modelo em uma única rede neural.
Este artigo propõe uma abordagem teórica fundamentada na teoria das categorias, utilizando um funtor explicativo para garantir a coerência e a fidelidade das explicações lógicas de modelos de IA, superando as limitações de inconsistência dos métodos heurísticos atuais.
O artigo apresenta o GateLens, um agente baseado em LLM que utiliza Álgebra Relacional como representação intermediária formal para traduzir consultas em linguagem natural em código Python otimizado, superando sistemas existentes em precisão e velocidade para análise de dados tabulares complexos no setor automotivo.
Este artigo propõe uma crítica consequencialista à avaliação de classificação binária, defendendo a adoção de regras de pontuação adequadas como o escore Brier em vez de métricas de limiar fixo, e oferece um novo framework teórico, uma variante do escore Brier e a ferramenta prática `briertools` para alinhar a avaliação de modelos de aprendizado de máquina com a utilidade decisória real.
Este artigo apresenta o MCP Bridge, um proxy RESTful leve e agnóstico a modelos que supera as limitações de execução local do Protocolo de Contexto de Modelo (MCP) ao oferecer conectividade segura e multiplataforma, complementado por modelos Qwen otimizados via aprendizado por reforço que alcançam desempenho superior em tarefas de ferramentas.
O artigo apresenta o Stepwise Guided Policy Optimization (SGPO), uma nova abordagem que mitiga a limitação do GRPO em grupos de amostras inteiramente incorretas ao introduzir diversidade de respostas via um modelo julgador passo a passo, acelerando assim o aprendizado de modelos de linguagem grandes em tarefas de raciocínio sem exigir que o julgador gere soluções corretas.
O artigo apresenta o MathQ-Verify, um pipeline de cinco etapas que valida rigorosamente a validade e a completude de problemas matemáticos, filtrando questões mal formuladas e superando os métodos existentes em benchmarks ao reduzir o ruído nos dados de treinamento de modelos de linguagem.
O artigo apresenta o UltraEdit, um método de edição de modelos de linguagem que dispensa treinamento, dados de sujeitos e memória, permitindo atualizações de conhecimento em tempo real com alta eficiência e escalabilidade em GPUs de consumo, além de introduzir o UltraEditBench, o maior conjunto de dados do campo com mais de 2 milhões de pares de edição.
O artigo apresenta o Saturn, um framework de Aprendizado por Reforço baseado em Problemas de Satisfatibilidade Booleana (SAT) que supera as limitações de escalabilidade, verificabilidade e controle de dificuldade das tarefas existentes, permitindo treinar LLMs com um currículo progressivo que resulta em melhorias significativas tanto na resolução de problemas SAT quanto em tarefas gerais de matemática e programação.
O artigo apresenta o Daily-Omni, um novo benchmark de perguntas e respostas multimodais focado em raciocínio temporal entre áudio e vídeo, que revela que os atuais Modelos de Linguagem Multimodal ainda enfrentam dificuldades significativas na alinhamento temporal robusto entre essas modalidades.
Este artigo apresenta a primeira revisão sistemática sobre a integração de modelos fundamentais na robótica de serviços móveis, analisando como essas tecnologias superam desafios técnicos e éticos para habilitar robôs mais adaptáveis, seguros e socialmente responsivos em ambientes reais.
O artigo apresenta o TSRating, um novo framework unificado que utiliza o julgamento de Grandes Modelos de Linguagem (LLMs) e um esquema de meta-aprendizado para avaliar com precisão e eficiência a qualidade de séries temporais provenientes de diversos domínios, superando as limitações dos métodos existentes.