154 artigos
Este artigo apresenta o HCT-QA, um novo benchmark abrangente para avaliação de modelos de linguagem e visão na resposta a perguntas sobre tabelas centradas no humano (HCTs), oferecendo um vasto conjunto de dados reais e sintéticos que supera as limitações das soluções existentes e demonstra ganhos significativos de desempenho através de ajuste fino.
O artigo apresenta o RED, uma rede de desembaçamento de movimento guiada por eventos que utiliza uma estratégia de perturbação robusta e um mecanismo de desentrelaçamento específico de modalidades para superar a subnotificação de eventos e alcançar desempenho superior em condições reais.
O artigo apresenta o GaiaFlow, um framework inovador que utiliza ajuste de difusão guiado semanticamente e protocolos de saída adaptativa para otimizar a busca neural, reduzindo significativamente a pegada de carbono enquanto mantém alta precisão em diversas infraestruturas computacionais.
Este artigo introduz novas métricas e uma avaliação abrangente de agentes LLM para o cenário de "Text-to-Big SQL", demonstrando que as métricas tradicionais de Text-to-SQL são insuficientes para capturar os impactos de custo, latência e eficiência em escala de grandes volumes de dados.
Este artigo propõe um modelo unificado de aprendizado para ranqueamento que funde dinamicamente resultados de múltiplos canais de busca em e-commerce, superando métodos tradicionais de fusão e resultando em um aumento de 2,85% na conversão de usuários enquanto atende a rigorosas restrições de latência.
O artigo apresenta o Aletheia, uma extensão de navegador inovadora que utiliza Grandes Modelos de Linguagem e Geração Aumentada por Recuperação para detectar notícias falsas com explicações baseadas em evidências, incluindo funcionalidades interativas que demonstraram superioridade em desempenho e usabilidade em comparação com soluções existentes.
O artigo apresenta o VDCook, um sistema operacional de dados de vídeo autoevolutivo e configurável que permite a pesquisadores e equipes de domínio vertical gerar, atualizar e expandir continuamente conjuntos de dados especializados para MLLMs por meio de consultas em linguagem natural e síntese controlada.
O artigo apresenta o AutoThinkRAG, um framework que melhora a resposta a perguntas em documentos complexos combinando um roteador de complexidade de consultas com uma arquitetura de decuplagem funcional que utiliza um modelo visual pequeno para interpretação e um LLM para raciocínio, alcançando desempenho superior ao estado da arte com custos reduzidos.
O artigo apresenta o CBR-to-SQL, um novo framework baseado em Raciocínio Baseado em Casos que supera as limitações dos métodos RAG tradicionais na tradução de linguagem natural para SQL no domínio da saúde, alcançando maior precisão lógica e eficiência amostral ao utilizar um processo de recuperação em duas etapas para lidar com a variabilidade da terminologia médica.
Este estudo revela que, embora o TikTok cumpra formalmente a proibição da DSA de publicidade profilada a menores, a definição restritiva de "anúncio" permite que conteúdos comerciais disfarçados (como marketing de influenciadores) contornem a regulação, resultando numa profilagem algorítmica para menores que é significativamente mais intensa do que a observada em adultos.
Este estudo avalia um framework de "nudge" personalizado para diversidade em recomendações de notícias, demonstrando que um algoritmo de calibração dupla eficazmente amplia a exposição e o consumo de notícias domésticas e globais, enquanto a apresentação baseada em LLM tem impacto variável, sugerindo que a exposição longitudinal pode alterar os hábitos de leitura dos usuários em direção a um equilíbrio entre esses temas.
Este artigo propõe um framework de três etapas para desenvolver um agente conversacional de esclarecimento de intenções aumentado por recuperação que atue como mediador e guardião de coleções de dados sensíveis, definindo modelos de ataque, projetando defesas específicas e avaliando o equilíbrio entre proteção e utilidade do sistema.
O artigo apresenta o ChatShopBuddy, um agente de compras conversacional otimizado por aprendizado por reforço que utiliza o benchmark SmartShopBench, a Modelagem de Recompensa Hierárquica (HRM) e a Otimização de Política Contraste Dinâmica (DCPO) para equilibrar com sucesso métricas objetivas, qualidades subjetivas e eficiência operacional em cenários do mundo real.
O artigo apresenta o OMEGA, um método de busca aprendida que, ao treinar um modelo base apenas para K=1 e aplicar refinamentos dinâmicos, permite atender consultas de múltiplos valores de K com alta precisão e desempenho, reduzindo significativamente o tempo de latência e os custos de pré-processamento em comparação com métodos existentes.
O artigo propõe o MLLMRec-R1, um framework eficiente e estável baseado em GRPO para recomendação sequencial multimodal, que supera os desafios de custo computacional e inflação de recompensa ao textualizar sinais visuais offline e utilizar uma estratégia de aumento de dados de granularidade mista para melhorar o desempenho de modelos de linguagem multimodal.
O artigo apresenta o R4T, um método que utiliza aprendizado por reforço para sintetizar dados de treinamento e treinar um recuperador baseado em difusão leve, permitindo a recuperação eficiente de conjuntos de itens otimizados para propriedades de alto nível com latência drasticamente reduzida em comparação às abordagens tradicionais.
O artigo apresenta o CARROT, um sistema de otimização de recuperação para RAG que utiliza busca em árvore Monte Carlo e um agente de configuração para selecionar e ordenar blocos de conhecimento de forma adaptativa, maximizando a utilidade dentro de restrições de custo e superando desafios como redundância e utilidade não monotônica.
O artigo apresenta o IKGR, um sistema de recomendação baseado em LLMs que, sem necessidade de ajuste fino, constrói um grafo de conhecimento centrado em intenções extraídas via RAG para superar desafios de esparsidade e falta de conhecimento, superando métodos tradicionais em cenários de cold-start e itens de cauda longa.
O artigo apresenta o Refine-POI, um framework que aprimora a recomendação de pontos de interesse (POI) utilizando um modelo de linguagem grande (LLM) ajustado por reforço, o qual resolve problemas de continuidade semântica e fixação de respostas através de uma estratégia de quantização hierárquica para geração de IDs semânticos e otimização baseada em gradiente de política para listas de recomendação top-k.
O artigo apresenta a suite de modelos Ettin, um conjunto aberto de pares de codificadores e decodificadores de última geração treinados com a mesma receita, demonstrando que arquiteturas especializadas superam modelos adaptados de um objetivo para outro em suas respectivas tarefas.