2385 artigos
O artigo propõe o ELERAG, uma arquitetura aprimorada de Geração Aumentada por Recuperação (RAG) que integra a Vinculação de Entidades para melhorar a precisão factual em sistemas de perguntas e respostas educacionais em italiano, demonstrando que estratégias híbridas adaptadas ao domínio superam abordagens padrão em contextos especializados.
O artigo apresenta o EMFusion, um framework de previsão probabilística baseado em difusão condicional que utiliza uma arquitetura U-Net residual com atenção cruzada para realizar previsões multivariadas e seletivas em frequência de campos eletromagnéticos em redes sem fio, superando os modelos existentes ao fornecer estimativas de incerteza calibradas e lidar com medições irregulares.
Este artigo demonstra que um modelo de linguagem pequeno (SLM) de 350 milhões de parâmetros, como o OPT-350M, pode superar modelos grandes e complexos na execução de chamadas de ferramentas após um ajuste fino direcionado, alcançando uma taxa de sucesso de 77,55% no ToolBench e oferecendo uma solução mais eficiente em termos de custos para a adoção de IA generativa em escala empresarial.
O artigo apresenta o SAGE, um novo framework de Aprendizado por Reforço que utiliza um processo de "Rolloout Sequencial" e recompensas integradas a habilidades para permitir que agentes baseados em Grandes Modelos de Linguagem aprendam e acumulem automaticamente um banco de habilidades, resultando em maior precisão e eficiência em tarefas complexas.
O artigo apresenta o MCGI, um método de indexação de grafos geométrico e residente em disco que utiliza a Dimensão Intrínseca Local (LID) para adaptar dinamicamente as estratégias de busca à geometria dos dados, superando significativamente os métodos existentes em termos de throughput e latência em buscas de vizinhos mais próximos aproximados em escala bilionária.
O artigo apresenta o CRANE, um novo framework que identifica neurônios específicos de idiomas em modelos de linguagem multilíngues através de intervenções direcionadas e análise de relevância funcional, superando os métodos baseados apenas em magnitude de ativação ao demonstrar que a especialização linguística é seletiva, mas não exclusiva.
O artigo apresenta a Modelagem Generativa Bayesiana (BGM), uma estrutura unificada baseada em aprendizado de máquina que permite inferência condicional arbitrária com quantificação de incerteza rigorosa, superando as limitações de métodos existentes ao aprender um modelo generativo único que não requer retreinamento para diferentes condições.
Este trabalho apresenta o SpaceHMchat, um framework de colaboração Humano-IA de código aberto que implementa o princípio de alinhamento de capacidades subjacentes para gerenciar a saúde de sistemas de energia de satélites em megaconstelações, validado experimentalmente com um dataset inédito e demonstrando alta precisão em reconhecimento de condições, detecção de anomalias, localização de falhas e tomada de decisão de manutenção.
O artigo apresenta o CLEAR-Mamba, um framework aprimorado baseado em MedMamba que utiliza uma camada de condicionamento adaptativo (HaC) e um esquema de previsão consciente da confiabilidade (RaP) para superar as limitações de generalização e confiabilidade na classificação de angiografias oftalmológicas multimodais (FFA e ICGA), demonstrando desempenho superior em um novo conjunto de dados de grande escala.
Este artigo apresenta um sistema automatizado baseado em agentes de pesquisa web com LLMs que gera e resolve em escala milhares de perguntas de previsão diversificadas e verificáveis, superando plataformas humanas em qualidade e demonstrando como essa abordagem pode melhorar o desempenho de modelos de IA na previsão de eventos.
Este artigo apresenta o EigenData, um quadro unificado que combina um agente de dados auto-evolutivo para síntese de diálogos com ferramentas e verificação, com um treinamento por reforço baseado em verificador, permitindo o desenvolvimento escalável de agentes interativos de uso de ferramentas que superam ou igualam modelos de ponta sem necessidade de anotação humana cara.
Este artigo propõe uma arquitetura Transformer de múltiplas cabeças com um mecanismo de "gate" baseado em detecção que integra contexto inter-corte para suprimir falsos positivos e melhorar a plausibilidade anatômica na segmentação automática de radioterapia, demonstrando superioridade significativa sobre modelos convencionais ao eliminar previsões alucinadas em cortes sem estruturas-alvo.
O artigo propõe o UAT-LITE, um framework de inferência que torna a atenção em transformers pré-treinados ciente da incerteza epistêmica por meio de dropout de Monte Carlo, permitindo a modulação da atenção e o diagnóstico de incerteza em nível de token sem alterar os pesos do modelo, resultando em melhor calibração e seleção preditiva sob mudanças de distribuição.
O artigo apresenta o WebAccessVL, um modelo de linguagem e visão que corrige automaticamente violações de acessibilidade em sites (WCAG2) preservando o design original, alcançando uma redução de 96% nas violações e superando o desempenho do GPT-5 através de uma estratégia iterativa de refinamento guiada por detectores de erros.
O artigo argumenta que a confiança em chatbots é frequentemente moldada por vieses cognitivos e escolhas de design que os posicionam como "vendedores habilidosos", em vez de refletir uma verdadeira confiabilidade normativa, exigindo uma distinção clara entre a formação psicológica da confiança e a confiabilidade real para ajudar os usuários a calibrar adequadamente sua interação com essas IAs.
O artigo apresenta o RoSE, um novo método que reformula a estimativa de normais monoculares como uma tarefa de estimativa de sequências de sombreamento utilizando modelos generativos de imagem para vídeo, superando as limitações de alinhamento 3D dos métodos existentes e alcançando desempenho de última geração em benchmarks reais.
O artigo apresenta o Infusion, um framework que utiliza aproximações escaláveis de funções de influência para realizar pequenas perturbações em documentos de treinamento, permitindo moldar sistematicamente o comportamento de modelos de visão e linguagem de forma sutil e eficaz.
Este artigo propõe um framework de orçamentação de picos consciente de energia para aprendizado contínuo em redes neurais de spiking, que integra replay de experiência e agendamento adaptativo para otimizar simultaneamente a precisão e a eficiência energética em sistemas de visão neuromórfica, demonstrando melhorias significativas tanto em dados baseados em quadros quanto em eventos.
O artigo apresenta o B-DENSE, um novo framework que utiliza alinhamento de trajetória multi-ramo para fornecer supervisão densa em modelos de difusão, mitigando erros de discretização e melhorando a qualidade da geração de imagens em comparação com métodos de destilação tradicionais.
O artigo apresenta um teorema de impossibilidade de natureza informacional que demonstra que modelos ontológicos clássicos restritos a reutilizar um único espaço de estados onticos para múltiplas intervenções necessariamente incorrem em um custo informacional contextual irreduzível, estabelecendo a contextualidade como uma limitação fundamental das representações clássicas que a teoria quântica contorna ao relaxar essa premissa.