9844 artigos
Este artigo apresenta uma revisão dos detalhes técnicos e resultados fundamentais da aplicação de aprendizado profundo para projetar mecanismos que aproximadamente satisfazem propriedades desejadas, demonstrando sua eficácia em estudos de caso de gestão de energia veicular, alocação de recursos em redes móveis e leilões de compras agrícolas.
O artigo apresenta o FEP-Nav, um quadro inspirado biologicamente que utiliza o Princípio da Energia Livre para permitir a adaptação perceptiva em tempo real e melhorar a navegação robótica sob condições sensoriais ruidosas, minimizando a energia variacional sem necessidade de atualizações baseadas em gradiente.
O artigo demonstra que a técnica de "Contrastive Prompting", que solicita ao modelo de linguagem grande (LLM) gerar simultaneamente uma resposta correta e uma errada, melhora significativamente o desempenho em tarefas de raciocínio complexo sem necessidade de exemplos pré-definidos, superando métodos existentes como o Chain-of-Thought.
Este artigo apresenta um novo método de aprendizado que, ao utilizar duas fases de treinamento para distilar informações privilegiadas de um algoritmo heurístico, resolve o Problema do Caixeiro Viajante com Vizinhanças para veículos não holonômicos de forma 50 vezes mais rápida que o método original, superando outras abordagens de aprendizado por imitação e reforço.
O artigo apresenta o GPSL, um esquema de aprendizado dividido paralelo que, ao fixar o tamanho do lote global e utilizar amostragem global, elimina vieses de arredondamento e estabiliza o treinamento em cenários de dados não-IID, alcançando precisão comparável à centralizada com overhead negligenciável.
O artigo propõe que a consciência emerge da necessidade de organismos vivos interpretarem informações sensoriais através de valências (bom/ruim) para garantir a sobrevivência, estabelecendo que o processamento qualitativo precede a representação neutra de propriedades e fundamenta uma ciência formal da consciência baseada na causalidade psicofísica.
Este artigo apresenta o Path Planning (P2), uma nova estratégia de amostragem para Modelos de Difusão Mascaramento (MDMs) que generaliza métodos existentes ao introduzir um estágio de planejamento para selecionar e refinar tokens, resultando em melhorias significativas no desempenho generativo em diversas tarefas como biologia, raciocínio matemático e geração de código.
Este artigo propõe o FBFL, uma abordagem de aprendizado federado baseada em campos que utiliza macroprogramação e coordenação espacial para criar uma arquitetura hierárquica auto-organizada, superando os desafios de heterogeneidade de dados não-IID e falhas de servidor, enquanto supera métodos existentes como FedAvg, FedProx e Scaffold em cenários não-IID.
Esta pesquisa apresenta uma revisão abrangente que propõe uma taxonomia unificada baseada no raciocínio probabilístico para classificar modelos generativos em quatro funções distintas (controladores, modeladores, otimizadores e avaliadores) no contexto da tomada de decisão, analisando seus desafios de aplicação em domínios de alto risco e traçando o caminho para a Inteligência Física Generalista.
Este estudo apresenta um conjunto de heurísticas para ferramentas de geração de ativos gráficos impulsionadas por IA, derivadas de uma pesquisa com 16 designers e desenvolvedores de jogos, que identificou a preferência pela fase inicial de design, a necessidade de integração fluida em pipelines existentes e a prioridade na geração de variações em massa para posterior refinamento.
Este artigo apresenta o dataset StudyChat, que analisa interações reais de estudantes com um chatbot de IA em um curso universitário, revelando que o uso da ferramenta para compreensão conceitual e ajuda com código correlaciona-se com melhores resultados, enquanto seu uso para contornar objetivos de aprendizado está associado a desempenho inferior.
Este artigo propõe o modelo BACE-RUL, uma rede adversária bi-direcional com codificação de covariáveis que prevê a vida útil remanescente de máquinas utilizando apenas medições de sensores do ciclo atual, superando métodos existentes em precisão e aplicabilidade em cenários do mundo real.
O artigo identifica o "miragem de segurança" como uma falha no ajuste fino supervisionado de Modelos de Linguagem e Visão (VLMs) que reforça correlações espúrias, e propõe o desaprendizado de máquina como uma solução eficaz para reduzir ataques de segurança e rejeições desnecessárias de consultas benignas.
Este estudo de caso de três anos no Georgia Tech e na Emory University demonstra que a implementação de uma estrutura avançada de Aprendizagem Baseada em Problemas (PBL), adaptada para o ensino de IA biomédica e apoiada por IA generativa, superou desafios educacionais e resultou em melhorias mensuráveis nos resultados de aprendizagem, incluindo alta produtividade de pesquisa e desenvolvimento de métodos computacionais inovadores.
Este artigo apresenta uma investigação empírica em larga escala que revela que a capacidade de modelos de linguagem grandes (LLMs) de localizar falhas em código é altamente frágil a mutações semânticas, indicando que seu raciocínio depende excessivamente de pistas sintáticas irrelevantes em vez de compreender a lógica profunda do programa.
Este artigo apresenta o ms-Mamba, uma nova arquitetura de previsão de séries temporais que supera os métodos atuais ao processar dados em múltiplas escalas temporais utilizando blocos Mamba com taxas de amostragem variadas, alcançando maior precisão com menor custo computacional.
Este artigo apresenta um framework de Geração Aumentada por Lógica (LAG) que combina grafos de conhecimento semântico e heurísticas de prompts para aprimorar o raciocínio analógico multimodal e a detecção de metáforas, superando as bases atuais e oferecendo processos de raciocínio mais explicáveis, embora ainda enfrente desafios em metáforas específicas de domínio.
O artigo apresenta o Foam-Agent, um sistema multiagente baseado em modelos de linguagem que automatiza fluxos de trabalho completos de dinâmica dos fluidos computacionais (CFD) a partir de prompts em linguagem natural, alcançando uma taxa de sucesso de 88,2% em tarefas complexas sem intervenção humana.
O artigo apresenta o ReactDance, um framework de difusão que utiliza uma representação latente hierárquica com quantização escalar finita (HFSQ) e uma estratégia de amostragem não autoregressiva baseada em blocos (BLC) para gerar danças reativas de alta fidelidade e coerência temporal em sequências longas.
Este trabalho propõe uma nova função de recompensa hierárquica e normalizada para Aprendizado por Reforço em direção autônoma, incorporando um objetivo consciente de risco baseado em uma função elipsoidal e conceitos de RSS, que reduz as colisões em 21% e melhora o progresso da rota em cenários de interseção não sinalizada.