12237 artigos
O artigo apresenta o RANGER, um novo framework para geração de relatórios de patologia que utiliza uma arquitetura de Mistura de Especialistas (MoE) com gate esparsamente ativado e um módulo de reclassificação adaptativa de recuperação, demonstrando desempenho superior ao estado da arte no conjunto de dados PathText-BRCA ao lidar com a complexidade das imagens de lâminas inteiras.
Este artigo apresenta um framework baseado em transporte ótimo que transforma distribuições de ativações nocivas em benignas, superando métodos de jailbreak existentes ao demonstrar que intervenções seletivas em camadas específicas são mais eficazes e revelando vulnerabilidades nas atuais técnicas de alinhamento de modelos de linguagem.
O artigo apresenta o RoboCasa365, um novo benchmark de simulação em larga escala que oferece 365 tarefas domésticas em 2.500 ambientes de cozinha variados, com extensos dados de demonstração humana e sintética, para avaliar e treinar robôs generalistas e analisar os fatores que impactam sua generalização.
Este artigo propõe uma nova perspectiva teórica que desdobra o erro de quantização em concentração e alinhamento, introduzindo a Transformação de Concentração-Alinhamento (CAT) para otimizar ambos os fatores e reduzir significativamente a perda de precisão em modelos de linguagem e visão quantizados.
O artigo propõe o DMAST, um framework de treinamento adversarial multiestágio que fortalece agentes web multimodais contra ataques coordenados de DOM e visual, resultando em maior segurança e eficiência em tarefas não vistas.
Este artigo apresenta uma abordagem de baixa complexidade computacional para o controle de modelos de difusão de áudio latente, utilizando cabeças de controle latente (LatCHs) e TFG seletivo para permitir a geração controlada de parâmetros como intensidade, tom e batidas com recursos de treinamento mínimos, sem comprometer a qualidade do áudio.
O artigo apresenta o -Knowledge, um novo benchmark que avalia agentes conversacionais em cenários de conhecimento não estruturado, demonstrando através do domínio -Banking que os modelos atuais têm desempenho limitado ao integrar documentos complexos com ferramentas para executar tarefas financeiras.
Este artigo propõe a Regularização de Jacobiano Alinhada Adversarialmente (AAJR), uma abordagem que controla a sensibilidade dos sistemas de IA agêntica apenas nas direções de ascensão adversarial, garantindo estabilidade no treinamento minimax sem as restrições excessivas e a perda de desempenho associadas aos limites globais de Jacobiano.
O artigo apresenta o ZipMap, um modelo feed-forward stateful que realiza reconstrução 3D bidirecional em tempo linear com treinamento no teste, alcançando uma velocidade mais de 20 vezes superior aos métodos atuais sem sacrificar a precisão.
O artigo propõe uma abordagem de governança de dupla hélice, implementada como uma arquitetura de três trilhos com substrato de gráfico de conhecimento, que supera as limitações dos modelos de linguagem para garantir a confiabilidade de agentes de IA no desenvolvimento de WebGIS, conforme demonstrado pela refatoração bem-sucedida do código da ferramenta FutureShorelines.
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.