3536 artigos
O artigo apresenta a Reconfiguração por Resistência Efetiva (ERR), uma estratégia simples e sem parâmetros que utiliza a resistência elétrica global para identificar e corrigir gargalos estruturais em Redes Neurais de Grafos, melhorando a propagação de informações de longo alcance e o desempenho preditivo ao equilibrar o super-achatamento com o super-suavização através da reconfiguração da topologia do grafo.
Este artigo propõe a integração de tesselações de Voronoi em circuitos probabilísticos para capturar a geometria local dos dados, abordando o desafio da perda de tratabilidade através de um framework de inferência aproximada com limites garantidos e de uma condição estrutural que recupera a inferência exata, além de introduzir uma relaxação diferenciável para aprendizado baseado em gradiente.
Este artigo introduz os Ataques de Backdoor Adiado (DBA), uma nova classe de ameaças que desacopla a ativação maliciosa da exposição ao gatilho no tempo, demonstrando através do protótipo DND que é possível usar palavras comuns como gatilhos para manter os modelos inativos por um período controlado antes de desencadear uma falha generalizada com alta precisão.
O artigo apresenta o SLIP, um framework de pré-treinamento auto-supervisionado que alinha dados de sensores multivariados com linguagem natural para aprender representações transferíveis que superam as limitações de configurações fixas e alcançam desempenho superior em tarefas de classificação, legendagem e resposta a perguntas em diversos conjuntos de dados.
Este artigo apresenta um framework de reconhecimento multimodal de emoções para o desafio ABAW 10, que combina modelos pré-treinados de áudio e vídeo com uma rede de convolução temporal e um módulo de atenção cruzada bidirecional para superar as limitações de abordagens unimodais em ambientes não controlados.
O artigo propõe o framework NormCoRe, um método inovador que traduz sistematicamente experimentos com sujeitos humanos para ambientes de Inteligência Artificial Multiagente (MAAI), permitindo a análise de normas coletivas e demonstrando como as julgamentos normativos dos agentes variam conforme o modelo base e a linguagem utilizada.
Este artigo apresenta o HomeSafe-Bench, um novo benchmark para avaliar a detecção de ações inseguras em ambientes domésticos por modelos de visão e linguagem, e propõe a arquitetura HD-Guard, que combina um processamento rápido e contínuo com uma análise profunda assíncrona para garantir monitoramento de segurança eficiente e preciso em agentes corporificados.
O artigo apresenta o LABSHIELD, um benchmark multimodal baseado em normas de segurança internacionais para avaliar a capacidade de modelos de linguagem grandes multimodais em identificar riscos e planejar ações seguras em laboratórios científicos, revelando uma lacuna significativa entre seu desempenho geral e sua confiabilidade em cenários de alta risco.
O artigo apresenta o BTZSC, um novo benchmark abrangente para classificação de texto zero-shot que, ao avaliar 38 modelos em 22 conjuntos de dados, revela que os rerankers modernos estabelecem um novo estado da arte, superando os modelos baseados em NLI e oferecendo um desempenho competitivo em comparação com embeddings e LLMs instruídos.
O artigo propõe o FedFew, um algoritmo de Aprendizado Federado Personalizado que reformula o problema como uma otimização "poucos para muitos", mantendo apenas um pequeno número de modelos compartilhados no servidor para atender eficientemente a milhares de clientes com dados heterogêneos, superando abordagens existentes em precisão e escalabilidade.
Este estudo empírico demonstra que, embora o ajuste fino por reforço (RFT) generalize bem para tarefas de dificuldade variável dentro do mesmo ambiente, seu desempenho em ambientes não vistos é limitado por mudanças nas interfaces e priores semânticos, enquanto o treinamento sequencial e por mistura oferece ganhos promissores com esquecimento mínimo.
O artigo apresenta o Flowcean, um novo framework modular e flexível que automatiza a geração de modelos de Sistemas Ciber-Físicos (CPS) por meio de aprendizado de dados, integrando diversas estratégias de aprendizado, métodos de processamento e métricas de avaliação para tornar o processo mais eficiente e acessível.
Este artigo relata um estudo de três meses no qual designers colaboraram com um modelo de linguagem (LLLM) para investigar como a dinâmica de agência entre humanos e IA pode levar à perda de criatividade, propondo que a recuperação dessa agência exige introspecção sobre o processo criativo, compreensão estrutural da tecnologia e ajustes deliberados na relação de trabalho.
Este artigo apresenta uma abordagem sistemática para o acoplamento autônomo de um AUV utilizando Aprendizado por Reforço Profundo, onde um ambiente de simulação de alta fidelidade com PPO permitiu treinar um agente que alcançou mais de 90% de sucesso na simulação e validação bem-sucedida em um tanque físico, demonstrando comportamentos emergentes eficazes para a adaptação sim-real.
O artigo apresenta o LabelPigeon, um novo framework que utiliza tags XML para realizar tradução e projeção de rótulos de forma conjunta, demonstrando que essa abordagem supera os métodos existentes ao melhorar a transferência cruzada de idiomas sem comprometer, e até aprimorando, a qualidade da tradução.
Este artigo investiga como vulnerabilidades tradicionais de software e hardware podem ser combinadas com falhas algorítmicas em sistemas de IA compostos para amplificar ameaças adversariais, demonstrando novos vetores de ataque que comprometem a segurança e a confidencialidade desses sistemas.
O artigo apresenta a "Slow-Fast Inference" (SFI), uma metodologia de aceleração de inferência sem necessidade de treinamento que reduz custos computacionais em contextos longos ao alternar entre passos rápidos que reutilizam uma memória esparsa estável e passos lentos que atualizam essa memória em fronteiras semânticas, mantendo a qualidade do modelo.
O artigo apresenta o XSkill, um framework de aprendizado contínuo para agentes multimodais que melhora o raciocínio e a orquestração de ferramentas em cenários abertos ao extrair e recuperar, sem atualizar parâmetros, conhecimento reutilizável em duas formas complementares — experiências e habilidades — fundamentadas em observações visuais.
Este artigo propõe um método de geração visual sem treinamento que utiliza a transformada h com um agendamento de pesos adaptativo ao nível de ruído para guiar modelos de difusão na síntese de amostras de alta fidelidade a partir de referências degradadas, superando as limitações de custo e generalização das abordagens anteriores.
Este artigo demonstra matematicamente e experimentalmente que redes de reações químicas sem camadas ocultas podem aprender tarefas de classificação com maior eficiência e precisão do que redes de neurônios pulsantes que exigem camadas ocultas, oferecendo uma explicação teórica para o potencial aprendizado mais eficiente em redes bioquímicas celulares.