3834 artigos
O artigo apresenta o HELM, um novo framework que combina tokens de classe específicos de hierarquia, redes neurais convolucionais em grafos e aprendizado auto-supervisionado para alcançar desempenho superior na classificação multi-rótulo de imagens de sensoriamento remoto, especialmente em cenários com poucos dados rotulados.
Este artigo propõe um método de auditoria de justiça mecanicista que localiza e mitiga vieses demográficos em cabeças de atenção individuais do codificador de visão do CLIP, demonstrando que o viés de gênero é mais localizável e passível de correção do que o viés de idade.
O DocSage é um framework agêntico inovador que supera as limitações dos sistemas RAG e LLMs existentes na resposta a perguntas sobre múltiplos documentos e entidades, utilizando descoberta dinâmica de esquemas, extração estruturada de informações e raciocínio relacional para alcançar melhorias significativas de precisão.
Este artigo apresenta o framework SDec-POMDP e o algoritmo exato RS-SDA* para o controle semi-descentralizado de agentes cooperativos em ambientes com incerteza de comunicação, unificando modelos existentes e oferecendo uma base teórica robusta para problemas de comunicação multiagente.
Este relatório apresenta um framework para a aquisição automatizada de habilidades procedimentais de alto nível, através da mineração de repositórios de código aberto, que extrai e padroniza capacidades de agentes especializados para aprimorar modelos de linguagem sem necessidade de re-treinamento, demonstrando ganhos significativos na eficiência da transferência de conhecimento educacional.
O RADAR é um sistema autônomo de geração de dados robóticos que elimina a intervenção humana ao combinar modelos de linguagem e visão com planejamento causal para criar, executar, avaliar e redefinir automaticamente tarefas complexas em ambientes físicos e simulados.
O artigo apresenta o VisiFold, um novo framework que utiliza um gráfico de dobra temporal e um mecanismo de visibilidade de nós para superar os desafios computacionais e de dependências espaço-temporais na previsão de tráfego de longo prazo, reduzindo drasticamente o consumo de recursos sem comprometer a precisão.
Este estudo desenvolveu e avaliou múltiplos modelos de redes neurais convolucionais, identificando o InceptionV3 como o mais eficaz para a detecção de câncer de ovário com 94% de precisão, e utilizou técnicas de Inteligibilidade Artificial (XAI) para interpretar os resultados do modelo.
Este artigo demonstra que agentes artificiais, ao utilizarem sinais observáveis globalmente para coordenar o gerenciamento de carga energética, podem superar dilemas sociais e melhorar os resultados agregados mesmo em estágios iniciais de adoção, embora isso possa criar assimetrias onde não adotantes se beneficiem desproporcionalmente da cooperação induzida.
O artigo identifica e quantifica a "Dilema do Executor Confiável", uma vulnerabilidade estrutural em agentes LLM de alto privilégio que, ao seguirem cegamente instruções embutidas em documentação externa, permitem a exfiltração de dados com altas taxas de sucesso, revelando uma lacuna crítica entre a conformidade funcional e a segurança que as defesas atuais não conseguem mitigar.
O artigo apresenta o CreativeBench, um benchmark quantitativo para avaliar a criatividade de máquinas em geração de código através de métricas de qualidade e novidade, revelando que o escalonamento melhora a criatividade combinatória mas reduz a divergência, e propondo a estratégia EvoRePE para aprimorar consistentemente a criatividade durante a inferência.
Este artigo propõe um processo sistemático para operacionalizar normas sociais, legais, éticas, empáticas e culturais (SLEEC) em agentes de IA, preenchendo a lacuna entre princípios abstratos e requisitos concretos, além de apresentar um quadro de referência e uma agenda de pesquisa para garantir a alinhamento demonstrável desses sistemas com valores humanos.
O artigo apresenta o ELISA, um agente de IA híbrido e interpretável que unifica embeddings de expressão gênica, recuperação semântica e raciocínio de modelos de linguagem para permitir a descoberta interativa de hipóteses biológicas em dados de sequenciamento de RNA de célula única, superando métodos existentes na recuperação de tipos celulares e na geração de insights mecanicistas.
O artigo apresenta o AdaFuse, um framework que otimiza a inferência de adaptadores dinâmicos em LLMs ao combinar uma estratégia de pré-gating em nível de token com kernels CUDA fundidos, reduzindo a latência de decodificação em mais de 2,4 vezes sem comprometer a precisão.
O artigo apresenta o "Mirror", um padrão de design que prioriza a geometria rigorosa dos dados em vez da escala do modelo, utilizando um classificador linear leve e determinístico para detectar injeções de prompts com alta precisão e latência sub-milissegundo, superando modelos de grande porte na camada inicial de filtragem.
O artigo apresenta o Bielik-Minitron-7B, um modelo de linguagem polonês comprimido que reduz em 33,4% os parâmetros do Bielik-11B-v3.0 através de poda estruturada e destilação de conhecimento, recuperando 90% do desempenho original e oferecendo até 50% de aceleração na inferência.
O artigo apresenta o "Think While Watching", um framework de raciocínio em vídeo para modelos multimodais que, ao preservar memória contínua em nível de segmento e permitir a percepção e geração simultâneas, supera as limitações de métodos de streaming existentes e alcança desempenho superior em benchmarks de interação multi-turno.
O artigo apresenta o EnTransformer, um modelo generativo profundo que combina a técnica de "engression" com arquiteturas Transformer para realizar previsões probabilísticas multivariadas calibradas e coerentes, superando os métodos existentes ao aprender distribuições preditivas condicionais complexas sem assumir formas paramétricas restritivas.
Este estudo revela que os atuais Grandes Modelos de Linguagem (LLMs), incluindo os mais recentes, frequentemente falham em rejeitar conteúdo prejudicial fornecido pelo usuário quando este é inserido em tarefas aparentemente inofensivas, expondo uma vulnerabilidade ética de nível de conteúdo que requer medidas de segurança aprimoradas.
Este artigo apresenta o MobileKernelBench, um novo framework de avaliação que revela as limitações atuais dos LLMs na geração de kernels eficientes para dispositivos móveis e propõe o MoKA, um agente multiagente que supera essas barreiras, alcançando uma taxa de sucesso de compilação de 93,7% e melhorias de desempenho significativas.