144 artigos
O artigo apresenta o GFM-Retriever, um método que utiliza um Modelo Fundacional de Grafos pré-treinado e um seletor de subgrafos baseado no Princípio do Gargalo de Informação para recuperar, de forma eficiente e sem rótulos, subgrafos mínimos e suficientes que fornecem evidências estruturadas para raciocínio multi-hop em cenários de GraphRAG.
Este artigo propõe um framework colaborativo baseado em múltiplos modelos de linguagem (LLMs) que operam localmente para identificar automaticamente pacotes de software relevantes para criptografia em grandes repositórios, visando facilitar a transição para criptografia pós-quântica e reduzir a carga de trabalho manual.
O artigo apresenta o PT-RAG, um novo framework de Geração Aumentada por Recuperação (RAG) que utiliza recuperação diferenciada e consciente do tipo celular para superar as limitações de generalização dos métodos atuais na previsão de respostas celulares a perturbações genéticas.
O artigo apresenta o WeDas, um novo framework que melhora a precisão dos agentes de pesquisa profunda ao alinhar suas consultas com a estrutura de distribuição de conteúdo da web, utilizando um mecanismo de sondagem para estimar a compatibilidade entre a intenção do agente e os resultados de busca.
O AutoDataset é um sistema leve e automatizado que monitora continuamente o arXiv para descobrir, extrair e indexar novos conjuntos de dados diretamente de artigos científicos, permitindo uma busca semântica em tempo real e aumentando a eficiência da descoberta de dados em até 80%.
Este estudo empírico demonstra que, sob diversas restrições de implantação, quatro modelos de linguagem de grande porte (LLMs) apresentam altas taxas de alucinação de citações bibliográficas, com taxas de existência verificável inferiores a 47,5%, o que reforça a necessidade imperativa de validação pós-geração antes de seu uso em síntese de evidências de engenharia de software.
Este artigo de sistematização de conhecimento (SoK) apresenta o primeiro quadro unificado para a RAG Agêntica, formalizando-a como um processo de decisão de Markov, propondo uma taxonomia arquitetônica abrangente, identificando riscos sistêmicos críticos e delineando direções de pesquisa para sistemas de recuperação e geração autônomos mais confiáveis e escaláveis.
O artigo apresenta o Dial, um sistema de NL2SQL baseado em conhecimento que supera as limitações dos métodos existentes ao gerar consultas SQL semanticamente corretas e executáveis em diversos dialetos de banco de dados, utilizando planejamento lógico consciente de dialeto, uma base de conhecimento hierárquica e um ciclo de depuração orientado à execução.
O artigo apresenta o SeDa, um sistema unificado que integra mais de 7,6 milhões de conjuntos de dados de diversas fontes para facilitar sua descoberta e exploração semântica por meio de anotação padronizada, verificação de procedência e navegação contextual baseada em entidades.
O artigo apresenta o GP-Tree, um índice espacial em memória que combina células de grade adaptativas com uma árvore de prefixos para superar as limitações dos índices tradicionais baseados em retângulos delimitadores, oferecendo uma filtragem mais precisa e melhorando significativamente a eficiência de consultas espaciais em grandes conjuntos de dados.
Este artigo propõe o RecPilot, um novo paradigma de recomendação baseado em agentes que substitui as tradicionais listas de itens por relatórios detalhados e centrados no usuário, reduzindo significativamente o esforço necessário para a avaliação e decisão de compra.
O artigo apresenta o VRec, uma nova abordagem de "raciocinar-verificar-recomendar" que utiliza verificação intermediária para mitigar a degradação do raciocínio em sistemas de recomendação generativa baseados em LLMs, resultando em melhorias significativas na eficácia e escalabilidade sem comprometer a eficiência.
O artigo apresenta o SynPlanResearch-R1, um framework que melhora o desempenho de agentes de pesquisa ao sintetizar trajetórias de uso de ferramentas que incentivam uma exploração mais profunda durante o ajuste fino supervisionado inicial, superando as limitações de exploração do aprendizado por reforço tradicional e alcançando resultados superiores em diversos benchmarks.
Este artigo apresenta a Substituição de Variáveis, uma técnica de aumento de dados específica para domínios que preserva a estrutura e o significado algébrico de fórmulas matemáticas em aprendizado contrastivo de grafos, demonstrando melhorias significativas no desempenho de recuperação de informações matemáticas em comparação com estratégias genéricas.
O artigo argumenta que, embora os Sistemas de Julgamento de Relevância Baseados em LLM (LLM-RJS) tenham o potencial de superar as limitações de "visão curta" dos sistemas de recuperação por similaridade de embeddings ao utilizar raciocínio, essa superioridade não pode ser validada em conjuntos de dados padrão, pois as próprias anotações humanas de relevância compartilham as mesmas limitações.
O artigo apresenta o UIS-Digger, um novo framework de agentes multiagentes, e o benchmark UIS-QA para abordar o desafio crítico da busca por informações não indexadas, demonstrando que interações proativas com fontes não capturadas por motores de busca superam sistemas baseados em LLMs avançados nesse domínio.
O SPD-RAG é um framework hierárquico de múltiplos agentes que melhora a qualidade e a escalabilidade da resposta a perguntas complexas em grandes corpora documentais, superando métodos tradicionais de RAG e modelos de contexto longo ao processar documentos individualmente e sintetizar suas respostas de forma eficiente e econômica.
O artigo apresenta o ERASE, um benchmark em larga escala e alinhado com cenários reais para avaliar o aprendizado de máquina em sistemas de recomendação, demonstrando que, embora métodos aproximados possam igualar o re-treinamento em alguns casos, a robustez varia significativamente entre abordagens e arquiteturas, especialmente sob unlearning sequencial.
Este artigo unifica os métodos de redução de variância para experimentação online e avaliação off-policy, demonstrando a equivalência matemática entre o estimador de diferenças de médias e o estimador de pontuação de propensão inversa com variáveis de controle, bem como entre métodos de ajuste por regressão e a estimativa duplamente robusta.
Este artigo propõe um método que capacita agentes de LLM a realizar recuperação nativa de conhecimento diretamente a partir de seus estados ocultos, eliminando a necessidade de um modelo de incorporação separado e mantendo 97% da qualidade de recuperação original.