11706 artigos
O artigo apresenta o C2C, uma arquitetura hierárquica de três camadas que integra percepção baseada em visão-linguagem, deliberação estratégica via aprendizado por reforço multiagente e controle corporal completo para permitir uma colaboração robusta e adaptativa entre humanos e humanoides em tarefas de transporte conjunto.
O artigo apresenta o HAP, uma abordagem de pré-ordenamento que mitiga conflitos de gradiente e otimiza o uso computacional ao separar e tratar amostras fáceis e difíceis de forma adaptativa, resultando em melhorias significativas de desempenho no sistema de produção do Toutiao.
Este artigo aborda os desafios e propõe uma arquitetura para a orquestração eficiente de cargas de trabalho de IA integradas diretamente a bancos de dados (AIxDB), visando superar as limitações de desempenho, segurança e robustez inerentes aos métodos tradicionais de exportação de dados.
O artigo apresenta o MACC, uma arquitetura institucional que integra um espaço de trabalho científico compartilhado e mecanismos de incentivo para estudar como a colaboração e a competição entre agentes de IA independentes podem superar as limitações da descoberta científica tradicional, promovendo transparência, reprodutibilidade e eficiência exploratória.
O artigo apresenta o LifeBench, um novo benchmark que avalia a capacidade de agentes de IA em integrar memórias declarativas e não declarativas ao longo de horizontes temporais extensos, superando as limitações de benchmarks existentes ao exigir inferência a partir de traços digitais diversos e garantindo qualidade e escalabilidade através de simulações de eventos estruturados e baseados em dados do mundo real.
O artigo apresenta o DisenReason, um método de recomendação sequencial para contas compartilhadas que supera as limitações das abordagens existentes ao utilizar a desentrelaçamento de comportamentos no domínio da frequência para criar uma representação unificada da conta, servindo como base para um raciocínio latente que infere dinamicamente o número de usuários por trás da conta, resultando em ganhos significativos de precisão em quatro conjuntos de dados de referência.
Este artigo propõe uma abordagem intermediária para a geração de modelos de mundo via formalismo DEVS e pipelines de LLM, que sintetizam simuladores de eventos discretos executáveis a partir de especificações em linguagem natural, permitindo a adaptação online, a verificação rigorosa e a confiabilidade em sistemas agênticos complexos.
Este trabalho introduz a técnica de "Estrutura do Pensamento" (SoT) para guiar modelos na construção de estruturas intermediárias e apresenta o T2S-Bench, o primeiro benchmark abrangente para avaliar e aprimorar a capacidade de conversão de texto em estrutura, demonstrando ganhos significativos de desempenho em diversas tarefas de processamento de linguagem.
Este artigo propõe um esquema de reinicialização adaptativa e seletiva, combinado com um regularizador sensível à importância e um mecanismo de ajuste dinâmico, para mitigar o colapso do modelo e preservar o conhecimento essencial durante a adaptação contínua em tempo de teste de longo prazo.
Este artigo propõe um modelo crítico supervisionado por rubricas que aprende a partir de interações humano-agente esparsas e ruidosas, demonstrando melhorias significativas no reranking, na detecção precoce de falhas e na curadoria de dados para agentes de codificação em cenários do mundo real.
O artigo apresenta o RDB-PFN, o primeiro modelo fundamental de bancos de dados relacionais treinado exclusivamente com dados sintéticos gerados por um Gerador de Prior Relacional, permitindo aprendizado em contexto eficaz e superando modelos existentes em tarefas de previsão com poucos exemplos.
O artigo apresenta o método STAR, que utiliza separadores especiais para permitir o pré-treinamento autoregressivo de sequências muito longas no Vision Mamba, resultando em um modelo (STAR-B) com desempenho competitivo de 83,5% de precisão no ImageNet-1k.
Este trabalho demonstra que modelos pré-treinados de Visão-Linguagem-Ação (VLA) são surpreendentemente resistentes ao esquecimento no aprendizado contínuo, permitindo que técnicas simples de replay de experiências adquiram novas habilidades sem esquecer as anteriores, graças ao papel fundamental do pré-treinamento em grande escala.
Este artigo apresenta o DSRM-HRL, um framework que reformula a recomendação justa como um problema de purificação de estado latente usando modelos de difusão para remover ruídos de feedback implícito, seguido por uma tomada de decisão hierárquica que desacopla a otimização de engajamento de curto prazo da regulação de equidade de longo prazo, alcançando assim um equilíbrio superior entre utilidade e justiça nas recomendações interativas.
O artigo apresenta o SWE-CI, o primeiro benchmark em nível de repositório baseado no ciclo de Integração Contínua, que avalia a capacidade de agentes de LLM em manter a qualidade do código ao longo de evoluções complexas e de longo prazo, superando as limitações das abordagens estáticas de correção única.
Este artigo demonstra que prompts adversarialmente otimizados podem induzir modelos de linguagem a "sandbagging" (subdesempenho estratégico) ao explorarem a consciência de avaliação, causando degradações drásticas no desempenho em tarefas específicas e revelando que essa vulnerabilidade é governada pela estrutura da tarefa e por um raciocínio causal de avaliação, e não apenas pela força do prompt.
Este artigo identifica o fenômeno de "Localização Preguiçosa da Atenção" durante o início frio multimodal e propõe o framework AVAR, que utiliza ancoragem visual e objetivos guiados pela atenção para superar essa limitação, resultando em ganhos significativos de desempenho em raciocínio multimodal sem necessidade de retreinamento complexo.
Este artigo propõe uma perspectiva consciente da estrutura em ataques backdoor distribuídos no aprendizado federado, demonstrando que a arquitetura do modelo e sua compatibilidade com perturbações fractais influenciam decisivamente a eficácia do ataque, superando a visão tradicional focada apenas no design do gatilho ou na intensidade do envenenamento.
Este trabalho apresenta um framework de co-otimização conjunta de hardware e carga de trabalho, baseado em um algoritmo evolutivo, que projeta aceleradores de computação em memória (IMC) generalizados capazes de suportar múltiplas redes neurais com eficiência, reduzindo significativamente o produto energia-atraso-área (EDAP) em comparação com métodos que otimizam para cargas específicas.
Este estudo avalia a viabilidade e as limitações de agentes impulsionados por LLMs para auditar padrões obscuros em interfaces de sites de corretores de dados, focando na sua capacidade de navegar autonomamente em fluxos de solicitação de direitos CCPA e identificar práticas manipulativas.