11537 artigos
O artigo propõe o VFEFL, um framework de aprendizado federado que utiliza um novo esquema de Criptografia Funcional Verificável Descentralizada (CC-DVFE) para garantir privacidade, robustez contra clientes maliciosos e verificabilidade sem depender de servidores não colusivos ou terceiros confiáveis.
O artigo apresenta o EgoWorld, um novo framework que supera as limitações dos métodos atuais ao traduzir observações exocêntricas ricas (como nuvens de pontos, poses 3D das mãos e descrições textuais) em visões egocêntricas realistas e semanticamente coerentes, alcançando desempenho superior e generalização robusta em múltiplos conjuntos de dados e cenários do mundo real.
O artigo apresenta o RLVER, um novo quadro de aprendizado por reforço que utiliza recompensas emocionais verificáveis de usuários simulados para aprimorar significativamente a inteligência emocional e a empatia de modelos de linguagem, elevando sua pontuação no Sentient-Benchmark de 13,3 para 79,2 sem comprometer suas capacidades cognitivas.
O artigo apresenta o UQLM, um pacote Python que utiliza técnicas de quantificação de incerteza para detectar alucinações em Grandes Modelos de Linguagem, oferecendo uma solução pronta para uso que gera escores de confiança e melhora a confiabilidade das respostas geradas.
O artigo apresenta o Q-SVMPC, um método de Controle Preditivo Baseado em Modelo (MPC) guiado por Q e baseado em Stein Variational, que utiliza um prior de política informado por Aprendizado por Reforço para inferir trajetórias como uma distribuição posterior, preservando soluções diversas e melhorando a eficiência, estabilidade e robustez em tarefas de navegação e manipulação robótica.
Este estudo demonstra que a aplicação de resolução de coreferência em sistemas de Geração Aumentada por Recuperação (RAG) melhora a eficácia da recuperação e o desempenho em tarefas de perguntas e respostas, especialmente ao utilizar pooling médio e ao beneficiar modelos menores que possuem capacidade limitada para lidar com ambiguidades referenciais.
Este estudo utiliza técnicas de interpretabilidade para demonstrar que a generalização de tarefas em modelos de linguagem é impulsionada por um mecanismo de "indução de função" reutilizável e composto por múltiplos cabeçalhos de atenção, que permite a aprendizagem de padrões abstratos como a adição com desvio de um.
O artigo apresenta o VITA, um framework de aprendizado de políticas baseado em flow matching que elimina a necessidade de amostragem iterativa e condicionamento visual durante a geração, mapeando diretamente representações visuais para ações latentes através de um autoencoder e decodificação latente, resultando em inferência significativamente mais rápida e desempenho competitivo em tarefas de simulação e do mundo real.
O artigo apresenta o HAMLET, um quadro de trabalho hierárquico e adaptativo baseado em agentes múltiplos e modelos de linguagem que gera e executa performances teatrais interativas e encarnadas em tempo real, permitindo que os atores tomem decisões autônomas baseadas em seus personagens e interajam fisicamente com o cenário, tudo avaliado por um crítico especializado.
Este artigo propõe uma taxonomia de desafios e um plano de coordenação para a Aprendizagem Federada Confiável na era da IA autônoma, utilizando o "Trust Report 2.0" como um artefato leve para operacionalizar a confiança como uma condição contínua do sistema, especialmente em domínios de alto risco como a oncologia.
Este artigo apresenta o Poker, um novo sistema de Programação Lógica Indutiva (ILP) auto-supervisionado que, na ausência de exemplos negativos e de uma teoria de fundo específica, aprende programas lógicos recursivos gerando e rotulando automaticamente novos exemplos, superando assim as limitações de sistemas existentes como o Louise.
O artigo apresenta o Text2VLM, uma nova metodologia que adapta conjuntos de dados apenas textuais para formatos multimodais a fim de avaliar e revelar vulnerabilidades de modelos de linguagem visual (VLMs) a ataques de injeção de prompts tipográficos, destacando a necessidade de mecanismos de segurança mais robustos para sua implantação segura.
Este artigo propõe o método Co-Evolutionary Alignment (CoEA), que utiliza um módulo de Exploração de Interesses Dual-Estável para modelar identidades grupais e interesses individuais, além de um mecanismo de Otimização Colaborativa Periódica para criar um ciclo de feedback dinâmico, superando as limitações de sistemas de recomendação tradicionais e baseados em LLMs ao equilibrar relevância e novidade.
O artigo apresenta o WebDS, o primeiro benchmark de ponta a ponta para ciência de dados baseada na web, que avalia a capacidade de agentes de IA em realizar tarefas complexas e multietapas em diversos sites, revelando uma lacuna significativa entre o desempenho atual dos modelos de linguagem e o dos humanos.
Este trabalho apresenta o ToolVQA, um grande conjunto de dados multimodal com 23 mil instâncias e o pipeline de geração ToolEngine, projetados para aprimorar a capacidade de raciocínio em múltiplas etapas e o uso de ferramentas externas em Modelos Fundamentais de Grande Escala, superando modelos proprietários como o GPT-3.5-turbo em cenários do mundo real.
Este artigo apresenta o ERDES, o primeiro conjunto de dados aberto de vídeos de ultrassom ocular rotulados para a presença de descolamento de retina e o status macular, estabelecendo benchmarks para o desenvolvimento de modelos de aprendizado profundo que auxiliem no diagnóstico e priorização cirúrgica.
Este artigo propõe uma metodologia de avaliação dependente da dependência temporal que controla o tamanho efetivo da amostra em vez do comprimento bruto, fornecendo limites de generalização para Redes de Convolução Temporal e demonstrando empiricamente que, quando comparado corretamente, o forte dependência temporal pode reduzir as lacunas de generalização.
O artigo apresenta o ObfusQAte, um novo framework pioneiro que avalia a robustez de Modelos de Linguagem de Grande Escala (LLMs) em tarefas de resposta a perguntas factuais sob níveis variados de obstrução linguística, revelando que esses modelos tendem a falhar ou alucinar quando confrontados com nuances como indirection de entidades nomeadas, distratores e sobrecarga contextual.
Este artigo apresenta a "zono-conformal prediction", uma nova abordagem que utiliza zonótopos para quantificar incertezas em tarefas de regressão e classificação, oferecendo garantias de cobertura estatística com maior eficiência computacional e menor conservadorismo em comparação aos métodos tradicionais.
Este artigo conceitual propõe o Sistema Adaptativo de Detecção de Crateras Planetárias Quantizado (AQ-PCDSys), uma arquitetura que integra redes neurais quantizadas e fusão sensorial adaptativa para viabilizar a detecção de crateras em tempo real em hardware espacial com restrições rigorosas de energia e memória.