142 artigos
O artigo apresenta o MITRA, um assistente de IA baseado em RAG e hospedado localmente para colaborações científicas como o CMS, que utiliza um pipeline automatizado de extração de texto e uma arquitetura de banco de dados vetorial em dois níveis para recuperar com precisão informações de documentação interna de física, garantindo a privacidade dos dados.
O RecThinker é um novo framework agêntico que supera as limitações dos métodos de recomendação passivos ao adotar um paradigma de "Analisar-Planejar-Agir", permitindo que modelos de linguagem planejem dinamicamente caminhos de raciocínio e utilizem ferramentas autônomas para preencher lacunas de informação, resultando em recomendações mais precisas e eficientes.
O segundo track de Geração Aumentada por Recuperação (RAG) do TREC 2025 avança a pesquisa em sistemas que integram recuperação e geração para atender a necessidades informacionais complexas, introduzindo consultas narrativas longas e um quadro de avaliação multifacetado para fomentar a criação de sistemas confiáveis e contextualmente conscientes.
Este artigo propõe um método de recuperação de movimento baseado em ângulos articulares que transforma características locais em pseudo-imagens e utiliza interação tardia token-patch para superar as limitações de métodos globais, alcançando resultados superiores e maior interpretabilidade nas tarefas de recuperação texto-movimento.
Este artigo propõe uma abordagem fundamentada na geometria do espaço de hipersféricas para o descarte de tokens em modelos de recuperação de interação tardia, formulando o problema como uma estimativa de células de Voronoi para reduzir o armazenamento do índice sem comprometer a qualidade da recuperação.
Este artigo apresenta uma revisão abrangente da Avaliação Adaptativa Computadorizada (CAT) sob uma perspectiva de aprendizado de máquina, explorando como técnicas modernas podem otimizar modelos de medição, seleção de questões e controle de testes para criar sistemas mais robustos, justos e eficientes.
O artigo apresenta o KrishokBondhu, um sistema de consultoria agrícola baseado em voz e no framework de Geração Aumentada por Recuperação (RAG) para agricultores bengali, que integra manuais especializados e inteligência artificial para fornecer orientações em tempo real via telefone, demonstrando no piloto uma melhoria significativa na qualidade e riqueza contextual das respostas em comparação com benchmarks existentes.
O artigo propõe o PESO, um método de adaptação contínua baseado em LoRA para sistemas de recomendação generativos que utiliza um regularizador proximal para equilibrar a adaptação a novos comportamentos dos usuários com a preservação do estado mais recente, superando assim as limitações dos métodos existentes ao focar em preferências atuais em vez de dados obsoletos.
Este trabalho apresenta e avalia um sistema de busca semântica em escala para 9,2 milhões de teoremas matemáticos extraídos de fontes como o arXiv, demonstrando que a recuperação específica de teoremas, e não apenas de artigos inteiros, é viável e eficaz ao utilizar descrições em linguagem natural e modelos de linguagem avançados.
Este artigo demonstra que os pipelines híbridos de RAG introduzem uma vulnerabilidade de segurança chamada "Risco de Pivotamento de Retorno" (RPR), onde dados sensíveis vazam entre inquilinos através de conexões de grafos iniciadas por vetores, e propõe que a verificação de autorização na fronteira de expansão do grafo é uma mitigação eficaz e de baixo custo para eliminar esse vazamento.
Este artigo descreve como o uso de um modelo de linguagem grande (LLM) especializado e ajustado para gerar milhões de rótulos de relevância textual permitiu aprimorar o sistema de classificação da App Store, resultando em ganhos simultâneos na relevância comportamental e textual e em um aumento estatisticamente significativo na taxa de conversão, especialmente para consultas de cauda longa.
O artigo apresenta a "Isotonic Layer", uma nova estrutura diferenciável que integra ajuste linear por partes em arquiteturas neurais para garantir viés monotônico global, permitindo calibração granular e adaptativa que mitiga vieses sistemáticos e melhora a precisão preditiva e a consistência de classificação em sistemas de recomendação em larga escala.
O artigo apresenta a Teoria do Espaço de Exploração (EST), uma estrutura formal baseada em reticulados que adapta a Teoria do Espaço de Conhecimento para sistemas de recomendação de localização, garantindo matematicamente que as sugestões respeitem dependências de pré-requisitos entre pontos de interesse e ofereçam explicações estruturais válidas.
O artigo propõe o T-REX, uma arquitetura baseada em transformadores que gera recomendações de categorias personalizadas para o comércio eletrônico de supermercados, superando limitações de modelos anteriores ao combinar dependências de curto prazo, preferências de longo prazo e um esquema de mascaramento causal para prever com precisão os próximos itens em cestas de compras.
Este artigo apresenta o PAG (Projection-Augmented Graph), um novo framework de busca aproximada de vizinhos mais próximos que integra técnicas de projeção a índices gráficos para atender a seis demandas críticas de aplicações de IA moderna, oferecendo desempenho de consulta significativamente superior ao HNSW, indexação rápida, baixo uso de memória e robustez em alta dimensionalidade.
Este artigo propõe uma abordagem para a recuperação de formas baseada em imagens que utiliza codificadores pré-alinhados de imagem e nuvem de pontos, eliminando a necessidade de síntese de visualizações e permitindo recuperação zero-shot, enquanto introduz uma perda de contraste difícil multimodal que alcança desempenho state-of-the-art em múltiplos conjuntos de dados.
Este artigo apresenta uma ferramenta web baseada em Grandes Modelos de Linguagem (LLMs) que automatiza e escala a construção de bancos de dados científicos abertos, alcançando 90% de sobreposição com curadoria humana e reduzindo significativamente o trabalho manual na coleta e filtragem de literatura científica.
O artigo propõe o Multi-TAP, um modelo de recomendação cruzada que supera métodos existentes ao capturar a heterogeneidade intra-domínio através de personas semânticas adaptativas e transferir seletivamente conhecimento entre domínios, resultando em desempenho superior em conjuntos de dados reais.
O artigo propõe o framework PSAD, que combina geração semi-autoregressiva, conhecimento de um modelo professor e uma Rede de Perfil de Usuário para superar os desafios de latência e interação usuário-item no reranking personalizado, superando os métodos atuais em desempenho e eficiência.
Este trabalho apresenta o DCTR, um mecanismo de recuperação de tabelas que utiliza decomposição de consultas tipadas e consciência de conectividade global para melhorar a precisão na recuperação de dados em contextos de perguntas complexas sobre bancos de dados relacionais.