12207 artigos
O artigo apresenta o "Solvitaire", um programa de inteligência artificial de propósito geral que utiliza técnicas de busca e otimização para determinar com alta precisão a porcentagem de vitórias de 73 variantes de 35 jogos de paciência, incluindo o Klondike, oferecendo resultados novos ou significativamente aprimorados em relação ao conhecimento anterior.
Este artigo aplica a análise topológica de dados aos paisagens de perda de redes neurais para definir uma pontuação de obstrução topológica que revela como a escapabilidade dos mínimos locais melhora com a profundidade e a largura da rede, além de estabelecer uma conexão entre a estrutura topológica desses mínimos e seus erros de generalização.
Este artigo propõe as "Redes de Fluxo de Pensamento", um mecanismo de auto-correção iterativa inspirado na dialética de Hegel que permite aos modelos gerar sequências de previsões para refinar suas respostas, demonstrando melhorias significativas no desempenho do modelo e na percepção humana em comparação com previsões únicas.
Este artigo propõe o DRL-GS, um novo algoritmo de aprendizado por reforço profundo que combina verificador, rede neural gráfica e agente de busca para otimizar topologias de rede de forma mais eficiente e global do que os métodos heurísticos tradicionais.
Este estudo demonstra que a análise automatizada de gravações de tosse, combinada com dados clínicos e demográficos coletados via aplicativo móvel, pode prever a tuberculose com uma precisão significativa (AUC de ~0,81), oferecendo uma solução de baixo custo para melhorar a detecção de casos em programas de saúde pública.
Este artigo propõe o uso do modelo BERTimbau, finetunado em um corpus específico de AAC em português brasileiro, para prever pictogramas em sistemas de comunicação alternativa, demonstrando que representá-los por meio de legendas resulta na maior acurácia, embora sinônimos ofereçam menor perplexidade.
O artigo propõe o Diffusion-EXR, um modelo baseado em Difusão Probabilística que gera resenhas explicativas para sistemas de recomendação, alcançando desempenho superior ao estado da arte em conjuntos de dados públicos ao aprender a reconstruir representações de palavras a partir de ruído gaussiano.
Este artigo compara o desempenho de três modelos sinusoidais (SM, EDSM e eaQHM) para estimativa de parâmetros em sinais de fala e áudio, concluindo que o eaQHM supera o EDSM em janelas de tamanho médio a grande, enquanto o EDSM é superior em janelas pequenas, sugerindo uma futura pesquisa para combinar a adaptabilidade do primeiro com a robustez do segundo.
Este artigo apresenta o desenvolvimento do BodoBERT, o primeiro modelo de linguagem para a língua Bodo, e um modelo de ensemble baseado em aprendizado profundo para o reconhecimento de classes gramaticais (POS) que alcança um F1-score de 0,8041, preenchendo uma lacuna significativa no processamento de linguagem natural para línguas de recursos limitados.
Este estudo apresenta um modelo de máxima verossimilhança para estimar que entre 6,5% e 16,9% do texto em revisões de conferências de IA (como ICLR 2024 e NeurIPS 2023) foi substancialmente modificado ou gerado por LLMs, revelando uma correlação entre o uso dessas ferramentas e fatores como baixa confiança do revisor, submissão próxima ao prazo e menor disposição para responder a réplicas dos autores.
O artigo apresenta o NutriBench, o primeiro conjunto de dados público com descrições de refeições verificadas por humanos para avaliar a capacidade de Grandes Modelos de Linguagem (LLMs) na estimativa nutricional, demonstrando que, embora ofereçam previsões comparáveis às de nutricionistas profissionais, eles são significativamente mais rápidos e possuem potencial para melhorar os resultados de saúde, apesar dos desafios existentes.
Este artigo apresenta o MELODI, um framework e conjunto de dados inovadores para monitorar e analisar o consumo energético na inferência de modelos de linguagem grandes, revelando disparidades significativas na eficiência energética em relação aos atributos dos prompts e destacando a necessidade de otimização para um futuro sustentável.
Este artigo apresenta o MERIT Dataset, um conjunto de dados multimodal e totalmente rotulado de boletins escolares com mais de 33 mil amostras, projetado para treinar modelos em tarefas de compreensão de documentos visualmente ricos e para avaliar vieses em modelos de linguagem.
Este artigo apresenta o OM4OV, um pipeline formalizado que adapta sistemas de correspondência de ontologias para a versão de ontologias, introduzindo um mecanismo de referência cruzada para otimizar o desempenho na detecção de atualizações e corrigir limitações como medições distorcidas e explicações insuficientes de correspondências falsas.
Este artigo propõe uma abordagem eficiente para recomendação de artigos legais no direito criminal chinês, combinando um Grafo de Conhecimento Enriquecido por Casos (CLAKG) e um Modelo de Linguagem de Grande Escala (LLM), o que resultou em um aumento significativo da precisão de 0,549 para 0,694 em comparação com métodos existentes.
Este artigo preenche uma lacuna na literatura ao estabelecer limites inferiores e superiores rigorosos para os números de cobertura de redes ReLU profundas, permitindo uma compreensão fundamental do impacto da esparsidade e quantização, otimizar a compressão de redes e remover fatores logarítmicos desnecessários nas taxas de complexidade de amostra para regressão não paramétrica.
O artigo apresenta o StarWhisper Telescope, um framework de IA que automatiza todo o ciclo de observações astronômicas — desde o planejamento até a análise de dados e o acionamento de propostas de acompanhamento — demonstrando sua eficácia na detecção de transientes em uma rede de telescópios amadores e servindo como modelo para futuras instalações de grande escala.
Este estudo empírico investiga a relação entre alucinações, monofatos e má calibração em modelos de linguagem, demonstrando que uma técnica de superpeso seletivo, que introduz intencionalmente má calibração ao repetir apenas 5% dos dados de treinamento, reduz as alucinações em até 40% sem comprometer a precisão, desafiando assim as políticas universais de deduplicação.
Este artigo propõe uma abordagem não paramétrica eficiente e escalável para inferência contrafactual em Processos de Decisão de Markov, que calcula limites fechados para probabilidades de transição em todos os modelos causais compatíveis e identifica políticas robustas que otimizam a recompensa no pior caso, superando as limitações de métodos existentes que dependem de modelos causais fixos ou de otimização computacionalmente proibitiva.
O artigo apresenta o \texttt{SEM-CTRL}, uma abordagem unificada que integra busca por árvore de Monte Carlo (MCTS) no nível de tokens e gramáticas de conjuntos de respostas para impor restrições sintáticas e semânticas durante a decodificação de modelos de linguagem, garantindo saídas válidas sem necessidade de ajuste fino e permitindo que modelos menores superem versões maiores e modelos de raciocínio de ponta em diversas tarefas.