154 artigos
O artigo apresenta o TURA, um agente unificado de busca com ferramentas que integra RAG e uso de agentes para superar as limitações dos sistemas tradicionais ao acessar simultaneamente conteúdo estático e fontes de informação dinâmicas em tempo real, atendendo assim às demandas de baixa latência de produtos de busca conversacional em escala industrial.
Este trabalho demonstra que as limitações teóricas inerentes aos modelos de recuperação baseados em embeddings, especificamente a restrição do número de subconjuntos de documentos retornáveis em função da dimensionalidade, persistem em cenários realistas com consultas simples, indicando que a otimização de dados e modelos não supera essa barreira fundamental do paradigma de vetor único.
O artigo propõe o Mobile-Agent-RAG, um framework hierárquico de agentes múltiplos que utiliza recuperação de conhecimento em dois níveis (planejamento estratégico e execução operacional) para superar as limitações de alucinação e erro em tarefas de automação móvel de longo prazo, demonstrando melhorias significativas em relação aos métodos atuais.
O artigo apresenta o PosIR, o primeiro benchmark padronizado que utiliza uma estratégia de agrupamento controlada por comprimento para diagnosticar sistematicamente o viés de posição em modelos de recuperação de informações, revelando que tal viés é pervasivo, aumenta com o tamanho do documento e não é adequadamente capturado pelas avaliações atuais de textos curtos.
O artigo apresenta o SLATE, um framework que melhora o raciocínio com recuperação aumentada em modelos de linguagem grandes através de uma amostragem truncada em nível de passo e recompensas processuais densas, resolvendo problemas de atribuição de crédito e variância de gradiente para superar métodos existentes em tarefas complexas.
O artigo apresenta o Geodesic Semantic Search (GSS), um sistema de recuperação que aprende métricas riemannianas específicas para cada nó em grafos de citação para realizar buscas semânticas geométricas, alcançando uma melhoria de 23% no Recall@20 em comparação com métodos baseados em distâncias euclidianas fixas, ao mesmo tempo que oferece caminhos de citação interpretáveis e reduz custos computacionais através de uma busca hierárquica.
O artigo apresenta o OpenSanctions Pairs, um grande conjunto de dados para correspondência de entidades derivado de sanções internacionais, demonstrando que modelos de linguagem (LLMs) superam significativamente os sistemas baseados em regras existentes, atingindo um desempenho próximo ao limite prático e sugerindo uma mudança de foco para componentes de pipeline como bloqueio e agrupamento.
O artigo propõe o framework MDER-DR, uma abordagem de Resposta a Perguntas (QA) baseada em Grafos de Conhecimento que combina um novo método de indexação (Map-Disambiguate-Enrich-Reduce) e um mecanismo de recuperação (Decompose-Resolve) para superar as limitações do RAG tradicional em perguntas multi-hop, alcançando melhorias significativas de desempenho e robustez multilíngue.
Este artigo propõe um modelo de tomada de decisão sequencial que estende o conceito de "cheiro de informação" para explicar o comportamento de navegação por tentativa e erro, demonstrando que usuários, sob restrições de memória e tempo, inspecionam estrategicamente links e cometem erros previsíveis ao priorizar o "suficiente" em vez de analisar páginas inteiras.
Este artigo demonstra que as escolhas metodológicas em auditorias do sistema de recomendação do YouTube impactam significativamente a precisão das inferências sobre vieses algorítmicos, oferecendo diretrizes para equilibrar custos e acurácia na coleta de dados.
O artigo apresenta o Agent-OM, um novo paradigma baseado em agentes de LLM que utiliza um framework com agentes siameses e ferramentas específicas para realizar correspondência de ontologias, demonstrando desempenho superior em tarefas complexas e de poucos exemplos em comparação com os sistemas mais avançados existentes.
O artigo apresenta o LEXA, um modelo aprimorado de recuperação de casos jurídicos que supera as limitações do CaseGNN ao integrar informações estruturais ricas de grafos, sinais de aprendizado contrastivo e embeddings contextualizados de grandes modelos de linguagem, alcançando desempenho superior em benchmarks.
Este artigo propõe e analisa teoricamente o problema NP-completo de Recuperação de Vetores com Similaridade e Diversidade (VRSD), introduzindo um algoritmo heurístico sem parâmetros que supera métodos existentes como MMR e k-DPP em tarefas de recuperação semântica.
O artigo apresenta o AMPEND-LS, um framework agêntico multi-persona que combina sinergia entre LLMs e SLMs com evidências multimodais para detectar notícias falsas com maior precisão, robustez e explicabilidade do que os métodos existentes.
Este artigo propõe uma abordagem escalável para a previsão de sinais em links de grafos assinados, baseada no modelo CopulaGNN, que utiliza uma representação eficiente de matrizes de correlação e uma reformulação probabilística para superar limitações computacionais, garantindo convergência linear e desempenho competitivo.
Este estudo scientométrico analisa a produção científica sobre influenza aviária entre 2014 e 2023, revelando um crescimento constante das publicações lideradas pela China e pelos EUA, com destaque para instituições específicas e revistas como o PLoS One, ao mesmo tempo que enfatiza a necessidade de maior colaboração internacional.
O artigo demonstra que, ao contrário da similaridade de cosseno tradicional que trata a magnitude dos embeddings como ruído, aprender e controlar seletivamente a magnitude de consultas e documentos melhora significativamente a recuperação e a geração aumentada por recuperação (RAG), especialmente em cenários de generalização fora de domínio, ao identificar que normalizar apenas um lado é mais eficaz e que a magnitude da consulta modula os gradientes enquanto a do documento escala as pontuações de inferência.
O artigo apresenta o Pailitao-VL, um sistema de busca multimodal industrial em tempo real que supera limitações de granularidade e ruído ao adotar uma nova abordagem de reconhecimento de ID absoluto para embeddings e uma política de reclassificação comparativa e calibrada, resultando em desempenho superior e impacto comercial significativo na plataforma de comércio eletrônico do Alibaba.
Este artigo apresenta o DPR, um framework agnóstico a modelos que capacita sistemas de recomendação sequenciais tradicionais a incorporar instruções em linguagem natural para orientar dinamicamente a recuperação de itens, superando as limitações de paradigmas existentes ao alinhar sinais colaborativos e semânticos sem sacrificar eficiência ou precisão.
O artigo apresenta o SearchGym, uma infraestrutura modular de código aberto que permite a orquestração de buscas híbridas e o benchmarking cross-plataforma através de abstrações desacopladas e uma álgebra de configuração composicional, demonstrando que a ordem ótima de filtragem e classificação semântica depende da força do filtro e alcançando uma taxa de recuperação de 70% no benchmark LitSearch.