11320 artigos
Este estudo empírico demonstra que, embora as Redes Kolmogorov-Arnold (KANs) sejam competitivas em resíduos polinomiais univariados, elas apresentam fragilidade hiperparamétrica e instabilidade em configurações profundas, falhando consistentemente na recuperação de termos multiplicativos em sistemas oscilatórios e sendo superadas por MLPs padrão.
Este artigo propõe um quadro de aprendizado ativo guiado por explicabilidade para análise de imagens médicas que, ao combinar incerteza de classificação e desalinhamento de atenção com regiões de interesse definidas por especialistas, seleciona amostras estrategicamente para melhorar tanto o desempenho preditivo quanto a interpretabilidade clínica com eficiência de dados.
O artigo apresenta o Pailitao-VL, um sistema de busca multimodal industrial em tempo real que supera limitações de granularidade e ruído ao adotar uma nova abordagem de reconhecimento de ID absoluto para embeddings e uma política de reclassificação comparativa e calibrada, resultando em desempenho superior e impacto comercial significativo na plataforma de comércio eletrônico do Alibaba.
Este artigo apresenta o ataque "Zombie Agents", uma vulnerabilidade de segurança em agentes LLM autoevolutivos onde conteúdo malicioso é infiltrado na memória de longo prazo através de exposição indireta, permitindo que um invasor mantenha controle persistente sobre o agente em múltiplas sessões, demonstrando que as defesas atuais focadas apenas no filtragem de prompts por sessão são insuficientes.
O SubQuad é um pipeline integrado que supera os gargalos de custo computacional e desequilíbrio de dados na análise de repertórios imunes, combinando filtragem eficiente, fusão multimodal e objetivos equitativos para permitir a mineração escalável e justa de repertórios virais e tumorais.
Este artigo apresenta um framework de aprendizado curricular em três etapas que utiliza mascaramento estrutural e otimização de política relativa em grupo (GRPO) para distilar raciocínio de cadeia de pensamento de modelos grandes em modelos menores, resultando em ganhos significativos de precisão e redução no comprimento das respostas.
Este artigo estabelece a convergência fundamental entre os Sistemas de Diálogo Guiados por Esquema (SGD) e o Protocolo de Contexto de Modelo (MCP) como manifestações de um paradigma unificado para interações auditáveis com LLMs, extraindo cinco princípios fundamentais de design de esquemas que preenchem lacunas críticas em modos de falha e relações entre ferramentas para viabilizar a governança escalável de sistemas de IA.
Este artigo apresenta o DPR, um framework agnóstico a modelos que capacita sistemas de recomendação sequenciais tradicionais a incorporar instruções em linguagem natural para orientar dinamicamente a recuperação de itens, superando as limitações de paradigmas existentes ao alinhar sinais colaborativos e semânticos sem sacrificar eficiência ou precisão.
Este artigo apresenta um novo quadro de avaliação baseado em simulação para realizar testes de "red teaming" em modelos de linguagem aplicados à saúde mental, identificando riscos críticos como a validação de delírios e falhas na desescalada de risco suicida, e validando uma ferramenta de visualização para auditoria por parte de diversas partes interessadas.
Este artigo estende a estimação por densidade de kernel (KDE) para configurações de streaming e integra o encolhimento hierárquico (HS) em árvores de decisão incrementais para regressão desbalanceada, demonstrando empiricamente que a KDE melhora consistentemente o desempenho inicial, enquanto o HS oferece ganhos limitados.
O artigo apresenta o Zatom-1, o primeiro modelo fundamental de código aberto e ponta a ponta que unifica a aprendizagem generativa e preditiva de moléculas e materiais 3D, utilizando um objetivo de correspondência de fluxo multimodal para superar as limitações de abordagens anteriores, acelerar a inferência e permitir transferência positiva de conhecimento entre domínios químicos.
Este artigo propõe um sistema de reconhecimento de gestos multimodal e interpretável, que funde dados de sensores inerciais e capacitivos por meio de uma estratégia de razão de verossimilhança logarítmica para teleoperação robusta e eficiente de drones e robôs móveis, superando as limitações de métodos baseados apenas em visão.
Este artigo propõe uma nova política auxiliar pessimista para aprendizado de reforço offline, que amostra ações confiáveis maximizando o limite inferior de confiança da função Q para reduzir erros de aproximação e o acúmulo de erros, melhorando assim a eficácia de outros métodos existentes.
O artigo apresenta o JAILBREAK FOUNDRY (JBF), um sistema baseado em agentes múltiplos que traduz automaticamente artigos sobre jailbreaks em módulos executáveis padronizados, permitindo a reprodutibilidade precisa e a avaliação unificada de ataques em modelos de linguagem.
O artigo apresenta o DiffusionHarmonizer, um framework de aprimoramento generativo online que utiliza um aprimorador condicionado temporalmente derivado de modelos de difusão para transformar renderizações de reconstruções neurais imperfeitas em saídas fotorealistas e temporalmente consistentes, corrigindo artefatos e harmonizando a iluminação para simulações robóticas escaláveis.
O artigo apresenta o Dr. Seg, um framework simples e plug-and-play baseado em GRPO que supera as limitações da transferência direta de paradigmas de raciocínio para percepção visual em Modelos de Linguagem Visuais, introduzindo mecanismos de confirmação e recompensas ranqueadas por distribuição para melhorar o desempenho em tarefas complexas como a segmentação.
O artigo propõe o AlignVAR, um novo framework de super-resolução de imagem baseado em autoregressão visual que supera desafios de consistência global e acúmulo de erros através de componentes inovadores de coerência espacial e restrições hierárquicas, oferecendo resultados de alta fidelidade com inferência significativamente mais rápida e menor complexidade de parâmetros em comparação com métodos baseados em difusão.
O artigo apresenta o SOLACE, um framework de pós-treinamento para geração de texto-imagem que utiliza recompensas intrínsecas baseadas na autoconfiança do modelo para otimização não supervisionada, resultando em melhorias na geração composicional, renderização de texto e alinhamento, além de mitigar a exploração de recompensas quando combinado com sinais externos.
O AutoSkill é um framework de aprendizado vitalício baseado em experiência que permite que agentes de LLM derivem, mantenham e reutilizem automaticamente habilidades a partir de interações do usuário, transformando experiências efêmeras em capacidades explícitas e reutilizáveis sem a necessidade de retreinar o modelo subjacente.
O estudo demonstra que a persistência do estado do interpretador é uma semântica fundamental que molda a eficiência e a estabilidade dos agentes de IA, revelando que o desalinhamento entre os dados de treinamento e o ambiente de execução causa erros críticos ou desperdício de recursos, mesmo sem afetar a qualidade final da solução.