2385 artigos
O artigo apresenta o MuCTaL, um modelo de aprendizado profundo leve e generalizável treinado em quatro tipos de câncer para localizar tumores em imagens de patologia digital, demonstrando alta precisão nos dados de treinamento e capacidade de adaptação a tipos não vistos, como o adenocarcinoma pancreático.
Este artigo apresenta o Protocolo de Delegação de LLM (LDP), um protocolo nativo de IA que introduz mecanismos de identidade e confiança para melhorar a eficiência, a governança e a segurança em sistemas multiagentes, demonstrando através de uma implementação experimental reduções significativas na latência e no consumo de tokens, embora alerte que metadados de confiança sem verificação podem prejudicar a qualidade.
Este estudo identifica que a interpretabilidade de soluções ótimas em problemas de empacotamento é determinada por três propriedades estruturais quantificáveis — alinhamento com heurísticas gananciosas, composição simples dentro dos recipientes e representação visual ordenada — permitindo otimizações que equilibram eficiência algorítmica com a compreensão humana.
Este estudo apresenta uma avaliação controlada do sistema BCAS para quantificar como a profundidade de busca, a estratégia de recuperação e o orçamento de conclusão afetam a precisão e o custo em sistemas RAG agênticos com restrições orçamentárias, fornecendo diretrizes práticas para sua configuração.
Este artigo apresenta o modelo FSbuHD, uma nova abordagem de seleção de características para sistemas de informação híbridos baseada na teoria de conjuntos fuzzy-rugosos que reformula o problema como uma otimização utilizando distâncias combinadas e opera em modos normal e otimista para superar desafios de eficiência e ruído em espaços de alta dimensão.
O artigo apresenta o NetDiffuser, um novo framework que utiliza modelos de difusão e uma categorização inovadora de características para gerar exemplos adversariais naturais (NAEs) altamente eficazes e indistinguíveis, capazes de enganar sistemas de detecção de intrusão baseados em aprendizado profundo com taxas de sucesso significativamente superiores às dos métodos existentes.
Este artigo apresenta uma ablação abrangente de nove famílias de limites para previsão seletiva com controle de risco, introduzindo o método "Transfer-Informed Betting" (TIB) que utiliza perfis de risco de domínios-fonte para obter limites mais apertados em cenários com escassez de dados, demonstrando ganhos significativos de cobertura em benchmarks como MASSIVE e NyayaBench.
O artigo propõe o FedLECC, uma estratégia leve e guiada por clusters e perdas para a seleção de clientes em Aprendizado Federado, que melhora a precisão, reduz o número de rodadas de comunicação e diminui a sobrecarga geral em cenários de dados não-IID.
Este artigo propõe um método totalmente diferenciável para descobrir Sub-redes de Loteria Forte (SLT) utilizando portas de Bernoulli relaxadas continuamente, permitindo a otimização eficiente de redes superparametrizadas com até 90% de esparsidade e perda mínima de precisão sem necessidade de treinamento de pesos ou estimadores de gradiente não diferenciáveis.
Este artigo demonstra que as métricas de visibilidade em motores de busca generativos são inerentemente estocásticas e instáveis, argumentando que elas devem ser tratadas como estimadores amostrais com intervalos de confiança em vez de valores fixos de ponto único.
Este artigo apresenta um novo benchmark sintético e uma abordagem inovadora que utiliza modelos de visão e linguagem (VLMs) com aprendizado em contexto para gerar automaticamente configurações JSON de simulação de plantas a partir de imagens de drones, visando superar os desafios de complexidade e escalabilidade na criação de gêmeos digitais agrícolas.
O artigo apresenta o "Guardian", um sistema de suporte à decisão que utiliza uma arquitetura de três camadas combinando cadeias de Markov, aprendizado por reforço e validação por modelos de linguagem para gerar planos de busca interpretáveis e otimizados para crianças desaparecidas nas primeiras 72 horas.
O artigo apresenta o PathoScribe, um framework unificado baseado em modelos de linguagem (LLM) que transforma arquivos de patologia estáticos em uma biblioteca viva e inteligente, permitindo recuperação semântica, construção automatizada de coortes e raciocínio clínico com alta precisão, conforme demonstrado em uma avaliação com 70.000 relatórios cirúrgicos.
O artigo apresenta o VoxEmo, um benchmark abrangente para avaliar Modelos de Linguagem de Áudio em Reconhecimento de Emoções, oferecendo um toolkit padronizado e protocolos de avaliação que capturam a ambiguidade inerente às emoções humanas e demonstram que, embora os modelos zero-shot tenham menor precisão em rótulos rígidos, eles se alinham melhor com as distribuições subjetivas humanas.
Este artigo propõe o "AgentOS", um novo paradigma de sistema operacional baseado em uma interface natural que substitui as aplicações tradicionais por módulos de habilidades coordenados por um kernel de agentes, transformando a gestão do sistema em um processo contínuo de mineração de dados e descoberta de conhecimento para superar as limitações dos sistemas operacionais atuais.
O artigo apresenta o BiCLIP, um framework simples e eficiente que adapta modelos de linguagem e visão a domínios especializados aplicando uma transformação geométrica canônica baseada em poucos exemplos, alcançando resultados state-of-the-art em diversos benchmarks.
O artigo apresenta o Guardian, um sistema de pipeline multi-LLM que utiliza modelos especializados, um mecanismo de consenso e ajuste fino QLoRA para extrair e processar informações de forma auditável e coordenada, visando otimizar as investigações de pessoas desaparecidas nas primeiras 72 horas críticas.
Este artigo apresenta o \texttt{EinSum}, uma notação de soma de Einstein adaptada para computação tensorial-relacional que permite a reescrita automática de cálculos para executar componentes intensivos em kernels numéricos eficientes enquanto gerencia a esparsidade por meio de sistemas relacionais.
Este trabalho apresenta o algoritmo FaBRIC, que integra análises de alcançabilidade direta e indireta para verificar sistemas de feedback neural não lineares, superando significativamente o estado da arte em benchmarks representativos.
O artigo apresenta o SLoD, um framework que utiliza difusão de núcleo de calor em variedades hiperbólicas para criar uma representação contínua de conhecimento em múltiplas escalas, permitindo a detecção automática de limites de abstração semântica em grafos de conhecimento.