1071 artigos
Este estudo demonstra que métricas espectrais extraídas de redes estruturais de requisitos, utilizando integração molecular como proxy controlado, preveem o esforço de integração com correlações superiores a 0,95, preenchendo uma lacuna crítica na quantificação da complexidade em engenharia de requisitos.
O artigo apresenta o CoCoA, um algoritmo de decodificação sem treinamento que mitiga alucinações em Grandes Modelos de Linguagem ao penalizar gerações instáveis detectadas pela desconfiança entre camadas internas, melhorando significativamente a factualidade em diversas tarefas sem necessidade de re-treinamento do modelo.
O artigo apresenta o NeSyS, um framework neuro-simbólico que integra as capacidades semânticas probabilísticas de modelos de linguagem com regras simbólicas executáveis para criar modelos de mundo interativos mais robustos e expressivos, reduzindo a necessidade de dados de treinamento em 50% sem perda de precisão.
Este artigo investiga a reordenação de páginas em documentos WOO holandeses desordenados, demonstrando que, embora modelos especializados alcancem alta precisão em documentos curtos, os transformadores seq2seq falham em generalizar para textos longos devido à necessidade de estratégias de ordenação distintas, um desafio mitigado com sucesso pelo uso de modelos especializados.
Este artigo apresenta um novo quadro de trabalho baseado em processamento de linguagem natural que utiliza modelagem de tópicos e agrupamento semântico para simplificar escalas psicológicas sem depender de dados de resposta, conseguindo reduzir o número de itens em cerca de 60,5% enquanto preserva a estrutura fatorial e a consistência interna das escalas originais.
Este estudo desenvolveu modelos de aprendizado de máquina interpretáveis para classificar automaticamente textos de aprendizes de estoniano nos níveis do CEFR (A2-C1), utilizando seleção cuidadosa de características linguísticas e de erros para alcançar alta precisão e insights sobre o desenvolvimento da proficiência, com implementação prática em um ambiente de aprendizado de idiomas de código aberto.
Este artigo propõe uma taxonomia geométrica de alucinações em LLMs, classificando-as em três tipos e introduzindo índices de detecção baseados em espaço de embeddings que demonstram alta eficácia na identificação de desvios de contexto e confabulações, ao mesmo tempo que expõem limitações metodológicas na detecção de erros factuais.
O artigo propõe uma hierarquia de cinco níveis de aprendibilidade baseada na estrutura de informação dos problemas, argumentando que a geração de código avança mais rapidamente que o aprendizado por reforço devido à sua verificação densa e local, e que o progresso futuro da IA depende mais da natureza aprendível das tarefas do que apenas do aumento do tamanho dos modelos.
O artigo apresenta o XTF, um framework de filtragem de ruído em nível de token que melhora significativamente o desempenho de modelos de linguagem grandes (LLMs) em tarefas de ajuste fino ao decompor a contribuição dos dados em atributos explicáveis e mascarar gradientes de tokens ruidosos.
O artigo apresenta o CogitoRAG, um framework de Geração Aumentada por Recuperação (RAG) inspirado na memória episódica humana que utiliza extração de "gist" semântico, difusão global em grafos de conhecimento e um algoritmo de reclassificação cognitiva para superar as limitações de integridade semântica e melhorar o raciocínio em tarefas complexas.
O artigo apresenta o Emotion Collider (EC-Net), uma estrutura baseada em hipergrafos e embeddings no espaço hiperbólico que utiliza aprendizado contrastivo e fusão bidirecional para gerar representações de emoção robustas e semanticamente coerentes, demonstrando alta eficácia em benchmarks multimodais mesmo na presença de ruído ou dados parciais.
O artigo apresenta o ModalImmune, um framework de treinamento que garante imunidade a falhas em sistemas multimodais ao colapsar intencionalmente canais de entrada durante o aprendizado, resultando em representações conjuntas robustas e estáveis frente a remoções ou corrupções de modalidades.
Este artigo apresenta o CondMedQA, o primeiro benchmark para perguntas e respostas biomédicas condicionais, e propõe o framework Condition-Gated Reasoning (CGR), que utiliza grafos de conhecimento conscientes de condições para melhorar a precisão do raciocínio médico ao adaptar as respostas às características específicas dos pacientes.
O artigo apresenta o MrBERT, uma família de codificadores multilingues modernos e eficientes, otimizados para desempenho de ponta em tarefas específicas de catalão e espanhol, bem como em domínios especializados como biomedicina e direito, com suporte a tamanhos de vetor flexíveis para reduzir custos de inferência.
O artigo apresenta o CeRA, um adaptador paralelo que supera a limitação linear do LoRA em tarefas de raciocínio complexo ao induzir expansão de variedades via portas SiLU e dropout estrutural, permitindo alcançar desempenho superior com ranks significativamente menores.
O artigo apresenta o KVSlimmer, um método que estabelece um fundamento teórico para a assimetria do cache KV e propõe uma solução de otimização sem gradiente, eficiente em memória e tempo, que supera os métodos atuais ao reduzir custos computacionais e latência enquanto melhora o desempenho em tarefas de longo contexto.
Este artigo apresenta um framework de previsão conformal que garante cobertura estatística para a extração de entidades médicas por modelos de linguagem, demonstrando que a calibração depende do domínio clínico e da estrutura do documento, permitindo a implantação segura com taxas de rejeição gerenciáveis.
O artigo apresenta o CyclicJudge, uma estratégia de atribuição rotativa de avaliadores que elimina vieses sistemáticos em avaliações de LLMs mantendo o mesmo custo computacional das avaliações de juiz único, conforme validado empiricamente em benchmarks como MT-Bench e MindEval.
O artigo apresenta o PrivMedChat, um framework de ponta a ponta que aplica privacidade diferencial em todas as etapas do RLHF para alinhar modelos de linguagem a diálogos médicos, garantindo proteção de dados sensíveis sem depender de anotações clínicas dispendiosas.
O artigo demonstra que, para modelos de linguagem pequenos, o método de detecção de contaminação baseado na distribuição de saída (CDD) é ineficaz e supera em desempenho métodos baseados em probabilidade, como perplexidade e Min-k% Prob, pois sua eficácia depende criticamente da memorização verbatim que raramente ocorre nesses modelos.