11537 artigos
Este trabalho apresenta o MIKASA, um benchmark abrangente que inclui um framework de classificação, um conjunto de tarefas unificado e um ambiente de manipulação robótica com 32 tarefas, visando avaliar e avançar o aprendizado por reforço baseado em memória para tarefas complexas.
O artigo apresenta o Space-O-RAN, uma arquitetura de controle distribuído que estende os princípios do Open RAN para redes não terrestres em 6G, utilizando aplicações descentralizadas leves em satélites e coordenação hierárquica para superar limitações de computação e conectividade, permitindo operações autônomas e interoperáveis validadas por simulações baseadas na topologia da Starlink.
Este artigo apresenta a abordagem TS4NAP, que utiliza taxonomias médicas (ICD-10-CM e ICD-10-PCS) combinadas com correspondência de grafos para prever e explicar o próximo passo no tratamento de pacientes, superando desafios como a escassez e variabilidade de dados clínicos e demonstrando eficácia através de validação no conjunto de dados MIMIC-IV.
O artigo apresenta o RoboGuard, uma arquitetura de dois estágios que combina raciocínio de um modelo de linguagem de confiança com síntese de controle lógico temporal para contextualizar regras de segurança e garantir que robôs habilitados por LLMs evitem comportamentos perigosos, mesmo sob ataques de jailbreak, reduzindo drasticamente a execução de planos inseguros sem comprometer o desempenho.
O OSCAR é um método inovador de compressão online e reclassificação dependente da consulta que reduz significativamente o custo computacional e acelera a inferência em pipelines de RAG, mantendo a precisão de modelos de linguagem de grande porte sem sobrecarga de armazenamento.
O artigo apresenta o MuRAL, um novo conjunto de dados de sensores ambientais para ambientes inteligentes com múltiplos residentes, que inclui descrições em linguagem natural e anotações detalhadas para superar as limitações de datasets existentes e permitir o avanço na compreensão de atividades diárias por meio de Modelos de Linguagem de Grande Escala (LLMs).
Este artigo propõe uma arquitetura de controle emocional sintético que, ao integrar necessidades imediatas e memória episódica sob quatro restrições de engenharia específicas, demonstra a possibilidade de implementar comportamentos semelhantes a emoções sem ativar características associadas à consciência, oferecendo assim um modelo para auditoria de riscos e governança de IA.
O artigo apresenta o modelo formal N2M-RSI, que demonstra como agentes de IA que utilizam suas próprias saídas como dados de treinamento podem atingir um crescimento ilimitado de complexidade ao ultrapassar um limiar de integração de informação, unificando conceitos como auto-prompting e autorreferência godeliana enquanto se estende naturalmente a enxames de agentes.
O artigo propõe o modelo TPK, que integra conhecimentos prévios de interação e cinemática específicos para diferentes classes de agentes (veículos, pedestres e ciclistas) para gerar previsões de trajetória em direção autônoma que sejam não apenas fisicamente viáveis, mas também interpretáveis e confiáveis.
Este artigo estabelece as fundações teóricas e a arquitetura de um único agente do framework EG-MRSI, que integra metacognição introspectiva, motivação intrínseca baseada em emoções e modificação recursiva segura para orientar o desenvolvimento de uma AGI aberta e segura.
Os autores propõem um novo framework de aprendizado de representação não supervisionado baseado em Minimização de Risco Invariante (IRM), introduzindo os métodos PICA e VIAE para aprender representações robustas e invariantes a mudanças de distribuição em dados não rotulados, validando sua eficácia em diversos conjuntos de dados sintéticos e reais.
O artigo apresenta o TSPulse, uma família de modelos pré-treinados ultra-leves com representações disjuntas que, através de um novo framework de pré-treinamento e estratégias de fusão adaptativas, alcança desempenho superior em diversas tarefas de diagnóstico de séries temporais com eficiência computacional e capacidade zero-shot, superando modelos significativamente maiores.
Este artigo apresenta o "Feature Mixing", um método simples e rápido para síntese de outliers multimodais que alcança desempenho de última geração na detecção e segmentação de dados fora de distribuição, além de introduzir o novo conjunto de dados CARLA-OOD para essa finalidade.
O artigo apresenta o SafeDPO, um método leve e baseado em teoria que otimiza diretamente a segurança de Grandes Modelos de Linguagem (LLMs) sem a necessidade de modelos de recompensa ou pipelines complexos, alcançando um equilíbrio competitivo entre segurança e utilidade.
O artigo propõe o RLJP, um framework de previsão de julgamentos legais que combina lógica de primeira ordem e aprendizado contrastivo para criar regras adaptativas que superam as limitações de rigidez dos métodos existentes, demonstrando desempenho superior em conjuntos de dados públicos.
O artigo apresenta o R1-Code-Interpreter, um modelo de linguagem treinado com aprendizado supervisionado e reforço multiestágio que supera os limites de tarefas heterogêneas ao priorizar amostras com maior potencial de melhoria, alcançando desempenho superior ao do GPT-4o em tarefas de raciocínio e planejamento com execução de código.
Este artigo propõe a Calibração Supervisionada (SC), uma nova estrutura baseada em minimização de perda que supera as limitações dos métodos de calibração existentes em Aprendizado em Contexto (ICL) ao aprender transformações afins otimizadas para corrigir vieses sistemáticos e alterar a orientação das fronteiras de decisão de Grandes Modelos de Linguagem, alcançando desempenho superior em diversos conjuntos de dados e modelos.
O artigo apresenta o AutoQD, um método que automatiza a descoberta de comportamentos diversos em otimização Qualidade-Diversidade (QD) ao gerar descritores comportamentais automaticamente a partir de medidas de ocupação de políticas, eliminando a necessidade de descritores manuais pré-definidos.
O artigo apresenta o C-EDL, uma abordagem pós-hoc leve para quantificação de incerteza que mitiga a vulnerabilidade do Aprendizado Profundo Evidencial a entradas adversariais e fora de distribuição ao gerar transformações diversas e ajustar previsões com base em conflitos, melhorando significativamente a robustez sem necessidade de retreinamento.
Este artigo apresenta o LeanTutor, um tutor de provas matemáticas baseado em IA que combina as capacidades de comunicação natural de modelos de linguagem com a correção verificável de provadores de teoremas, e introduz o PeanoBench como um novo conjunto de dados para avaliação.