11771 artigos
O artigo propõe a "Spectral Surgery", um método pós-treinamento livre de treinamento que aprimora adaptadores LoRA existentes ao decompor suas atualizações via SVD e reponderar seus valores singulares com base na sensibilidade dos gradientes, resultando em ganhos consistentes de desempenho em diversas tarefas sem necessidade de retreinamento.
Este estudo apresenta as perspectivas de 29 docentes de STEM sobre a integração da inteligência artificial generativa no ensino superior, destacando a necessidade de repensar a avaliação, a pedagogia e a governança institucional para promover uma adoção eficaz e responsável.
O artigo apresenta o DPAD, um método que melhora a segmentação por raciocínio ao introduzir uma percepção discriminativa via descrições ancoradas, forçando o modelo a focar nos atributos únicos do alvo, o que resulta em cadeias de raciocínio mais curtas e precisas.
O artigo propõe o Difusão Direcional Volumétrica (VDD), um modelo que supera as limitações de incerteza e de integridade estrutural em segmentações médicas ambíguas ao ancorar a geração estocástica em um consenso determinístico, permitindo a quantificação precisa de variações anatômicas sem comprometer a coerência topológica.
Este artigo propõe um framework de pontuação de qualidade multidimensional para inferência descentralizada de LLMs, que, após calibração e remoção de dimensões não confiáveis, gera um sinal de qualidade composto que supera avaliadores individuais e se integra eficazmente a mecanismos de Prova de Qualidade (PoQ) para incentivos robustos.
Este trabalho apresenta um quadro de Aprendizado por Reforço Contínuo Online que permite a adaptação automática de agentes robóticos durante a operação, utilizando resíduos de um modelo de mundo para detectar mudanças e desencadear ajustes finos sem supervisão externa, validado em simulações e veículos reais.
O artigo propõe o "Field Atlas", um novo quadro teórico e arquitetônico para a AIED que supera a suposição de aprendizado sedentário ao posicionar a IA como parceiro epistêmico em ambientes de campo, utilizando fotografia voluntária, reflexão por voz e modelagem de trajetória epistêmica para promover a construção de sentido baseada no corpo e gerar evidências de avaliação resistentes a falsificações.
O artigo propõe o método DQE-CIR para aprimorar a recuperação de imagens compostas ao gerar representações de consulta mais discriminativas, utilizando pesos de atributos aprendíveis para alinhar características visuais com o texto e uma amostragem de negativos relativa ao alvo que evita a supressão de relevância e a confusão semântica.
O artigo apresenta a Logit Diff Amplification (LDA) como um mecanismo de controle em tempo de inferência que mitiga eficazmente a geração de proteínas tóxicas em modelos de linguagem proteica, sem comprometer a viabilidade estrutural ou a plausibilidade biológica das sequências.
O artigo apresenta o Sim2Sea, um framework abrangente que utiliza simulação paralela acelerada por GPU, uma política de navegação dual-stream com mascaramento de ações guiada por obstáculos e randomização de domínio para permitir a transferência zero-shot segura e eficiente de políticas de navegação autônoma de ambientes simulados para um veleiro não tripulado de 17 toneladas operando em águas reais congestionadas.
Este artigo propõe uma abordagem de monitoramento baseada em ativações internas que utiliza autoencoders esparsos e classificadores lineares para detectar sinais de "reward hacking" em tempo real durante a geração de texto por modelos de linguagem, oferecendo uma detecção mais precoce e robusta de comportamentos emergentes de desalinhamento do que a avaliação baseada apenas na saída final.
O artigo apresenta o SaFeR, um método inovador que gera cenários críticos para segurança no teste de direção autônoma, equilibrando adversariedade, realismo e viabilidade física através de um mecanismo de atenção diferencial e uma estratégia de reamostragem de tokens restrita a uma região de viabilidade máxima aprendida por reforço.
Este artigo apresenta uma abordagem de reconstrução de eventos global e de ponta a ponta, baseada em redes neurais avançadas, que supera significativamente os algoritmos atuais em eficiência e precisão para futuros colisores, permitindo uma iteração mais rápida no design de detectores.
Este artigo apresenta o HPENet, uma arquitetura de redes MLP para processamento de nuvens de pontos que combina codificação posicional de alta dimensão e MLPs não locais dentro de uma visão de abstração e refinamento, alcançando um equilíbrio superior entre eficiência computacional e desempenho em diversas tarefas.
Este estudo propõe um framework de aprendizado de representações desencaixadas para demonstrar que a previsibilidade demográfica em ressonâncias magnéticas cerebrais deriva principalmente de variações anatômicas, enquanto as diferenças de contraste são mais fracas e específicas do conjunto de dados, indicando que estratégias de mitigação de viés devem abordar explicitamente essas duas origens distintas para garantir robustez.
O estudo BeamPERL demonstra que, embora o aprendizado por reforço com recompensas verificáveis possa melhorar significativamente o desempenho de modelos de linguagem compactos em problemas de mecânica de vigas, ele tende a induzir a memorização de templates procedurais em vez de um raciocínio físico robusto e generalizável, destacando a necessidade de combinar recompensas precisas com estruturas de raciocínio estruturado.
O artigo apresenta o DARKFormer, um modelo de Transformer que utiliza um kernel de características aleatórias alinhado aos dados para aprender a covariância da projeção aleatória, permitindo uma amostragem por importância com variância mínima e melhor estabilidade, o que reduz significativamente o gap de desempenho em relação à atenção softmax exata, especialmente em cenários de ajuste fino com representações anisotrópicas.
O artigo apresenta o Crab+, um modelo unificado e escalável de compreensão de cenas áudio-visuais que supera o problema de transferência negativa através da criação do dataset AV-UIE v2 e da proposta do mecanismo I-LoRA, permitindo uma cooperação explícita entre tarefas heterogêneas e alcançando desempenho superior em 88% dos casos em comparação com abordagens de tarefa única.
O artigo propõe o DPPO, um framework que acelera o treinamento do GRPO através de poda dinâmica com correção de viés por amostragem de importância e empacotamento denso de prompts, resultando em ganhos significativos de velocidade e precisão em tarefas de raciocínio matemático sem comprometer a rigorosidade teórica.
O artigo apresenta o GarmentPile++, um pipeline inovador que combina raciocínio visão-linguagem e percepção de affordance visual para recuperar com segurança e precisão um único item de roupa de uma pilha desordenada, utilizando segmentação de objetos e cooperação de dois braços para lidar com cenários complexos do mundo real.