6093 artigos
O artigo apresenta o "Missing-by-Design" (MBD), um framework unificado para análise de sentimentos multimodal que permite a revogação certificada de modalidades específicas de dados, garantindo conformidade com a privacidade e autonomia do usuário sem a necessidade de retreinamento completo do modelo.
Este artigo propõe um novo framework de aprendizado contínuo baseado em currículo que combina controle baseado em modelo e aprendizado por reforço profundo para decompor problemas de controle robusto com múltiplas incertezas em tarefas sequenciais, permitindo uma transferência eficiente do simulador para a realidade em aplicações industriais como o controle de vibração ativa de trens de força automotivos.
O artigo apresenta o Coupled Discrete Diffusion (CoDD), um framework híbrido que supera a barreira de fatorização em modelos de linguagem de difusão ao substituir distribuições de saída totalmente fatoradas por uma camada de inferência probabilística leve, permitindo a modelagem eficiente de dependências conjuntas complexas e gerando textos coerentes em poucos passos com custo computacional reduzido.
Este artigo apresenta o SpeedTransformer, um modelo baseado em Transformers que utiliza apenas dados de velocidade de trajetórias GPS densas para detectar modos de transporte com maior precisão e adaptabilidade geográfica do que modelos tradicionais como o LSTM.
Este artigo estuda processos de decisão de Markov robustos não retangulares sob o critério de recompensa média, demonstrando que políticas com arrependimento sublinear são ótimas, estabelecendo uma representação minimax para o valor robusto e propondo uma política baseada em épocas que garante desempenho transitório constante ao combinar a política estacionária ótima para o pior caso com testes sequenciais e aprendizado online.
O artigo apresenta o framework DUEL, que permite o cálculo exato da verossimilhança em modelos de difusão mascarada (MDMs) sob a distribuição de teste, revelando que esses modelos são substancialmente mais eficientes do que se pensava anteriormente e possuem um potencial de desempenho superior ao dos modelos autoregressivos.
O artigo apresenta o \textsc{Gome}, um agente de engenharia de aprendizado de máquina que substitui a busca em árvore tradicional por otimização baseada em gradientes, alcançando desempenho superior em modelos de raciocínio avançados e estabelecendo uma nova direção escalável para agentes de IA.
O artigo apresenta o FinTexTS, um novo conjunto de dados de séries temporais financeiras emparelhadas com texto, construído por meio de um framework inovador que utiliza correspondência semântica baseada em contextos específicos de empresas e classificação multinível (macro, setor, empresas relacionadas e alvo) para capturar interdependências complexas do mercado e melhorar a previsão de preços de ações.
Este artigo apresenta duas técnicas de software, Escalonamento Consciente de Estouro (OAS) e Escalonamento de Macro Bloco (MBS), que reduzem drasticamente a lacuna de precisão entre os formatos MXFP4 e NVFP4 em Grandes Modelos de Linguagem, permitindo que o padrão MXFP4 atinja acurácia quase equivalente ao NVFP4 sem exigir alterações no hardware.
Este artigo apresenta o framework OWO-FMTL, uma abordagem de aprendizado multi-tarefa online que garante equidade de longo prazo e desempenho adaptativo para usuários heterogêneos em Redes de Acesso Rádio habilitadas por IA (AI-RANs), utilizando um mecanismo de atualização primal-dual leve para equilibrar eficiência e justiça com baixo custo computacional.
O artigo apresenta o KernelCraft, o primeiro benchmark que avalia a capacidade de agentes de IA de gerar e otimizar automaticamente kernels de baixo nível para aceleradores emergentes com instruções personalizadas, demonstrando que esses sistemas podem produzir código funcional e eficiente, reduzindo significativamente o tempo e o custo de desenvolvimento para novas arquiteturas de hardware.
O artigo apresenta o ALADIN, um framework de análise do espaço de projeto que permite avaliar trade-offs entre precisão, latência e consumo de recursos em aceleradores de IA embarcados com memória scratchpad, utilizando modelos de redes neurais quantizadas sem a necessidade de implantação física no hardware alvo.
Este artigo de revisão analisa o cenário de processadores de IA de ultra-baixo consumo, comparando arquiteturas heterogêneas, aceleradores neurais e processamento em sensor, e valida empiricamente essas abordagens através de benchmarks de um modelo de segmentação em três plataformas representativas (GAP9, STM32N6 e IMX500), demonstrando a superioridade do processamento em sensor em eficiência energética e latência.
Este artigo apresenta uma arquitetura de acelerador de CNN para FPGAs que realiza processamento de múltiplos pixels e exploração do espaço de projeto orientada à taxa de dados, otimizando a utilização de recursos e permitindo a implementação eficiente de redes complexas em um único dispositivo.
Este artigo demonstra que a integração equilibrada de mecanismos complementares, como aprendizado contrastivo supervisionado, redes de Hopfield e redes recorrentes com portões hierárquicos, em Redes Neurais de Spiking resulta em melhorias significativas em precisão, eficiência energética e organização estrutural para visão neuromórfica, superando as abordagens de otimização isolada.
O artigo apresenta o Hebbian-Oscillatory Co-Learning (HOC-L), um framework dinâmico unificado que integra plasticidade estrutural hebbiana em geometria hiperbólica com sincronização de fase oscilatória, utilizando um parâmetro de ordem macroscópico para regular o fortalecimento das conexões sinápticas apenas quando há coerência de fase suficiente, garantindo convergência teórica e eficiência computacional em arquiteturas neurais esparsas.
Este trabalho apresenta a arquitetura Auralink SDC, que utiliza agentes de IA especializados implantados na borda para gerenciar autonomamente a infraestrutura de carregamento de veículos elétricos, alcançando 78% de resolução automática de incidentes e baixa latência ao superar as limitações das soluções baseadas em nuvem.
Este artigo apresenta um framework de compressão para Computação de Reservatório que utiliza um mecanismo de poda baseado em sensibilidade para otimizar o equilíbrio entre precisão do modelo e eficiência de hardware em implementações FPGA, demonstrando reduções significativas no consumo de energia e recursos sem degradação perceptível da acurácia.
O artigo apresenta a família AetherFloat, uma arquitetura de ponto flutuante baseada em radix-4 e mantissa explícita projetada para aceleradores de IA que elimina a necessidade de lógica de escalonamento por bloco (Block-Scaling), oferecendo reduções significativas em área, potência e atraso de caminho crítico, enquanto utiliza arredondamento estocástico para mitigar gradientes que desaparecem.
Este trabalho desenvolveu uma estrutura de Redes Neurais Informadas por Física (PINN) para a reconstrução robusta de variáveis de estado ocultas e a estimativa de parâmetros biofísicos em modelos neuronais multiescala, superando as limitações de métodos tradicionais que dependem de solvers numéricos ao lidar com não-linearidades fortes e dados observacionais parciais e ruidosos.