6745 artigos
Este artigo apresenta o MCULoRA, uma abordagem inovadora de adaptação de baixo rank que decopla informações compartilhadas e ajusta dinamicamente o treinamento para superar conflitos de gradientes e melhorar o reconhecimento de emoções em cenários multimodais incompletos.
O artigo propõe o método SGV (Self-Grounded Verification) para mitigar o viés de concordância em Verificadores de LLMs Multimodais, permitindo que eles gerem priores independentes antes de avaliar trajetórias, o que resulta em detectores de falhas mais precisos e alinhados com humanos, melhorando significativamente o desempenho de agentes em tarefas de navegação web, uso de computador e robótica.
Este artigo apresenta o primeiro levantamento abrangente sobre o *flow matching* e suas aplicações emergentes em biologia e ciências da vida, revisando suas fundações, categorizando usos em modelagem de sequências, geração de moléculas e proteínas, e discutindo recursos e direções futuras.
Este artigo propõe uma abordagem baseada em árvores que utiliza trajetórias de falha e sucesso de modelos fracos, organizadas em "árvores de trajetória" e otimizadas via Monte Carlo Tree Search, para aprimorar a generalização de fraco para forte e elicitar políticas ótimas em modelos fortes para tarefas complexas de tomada de decisão.
Este trabalho demonstra que um auditor malicioso pode manipular amostras de dados para parecerem justas e representativas, satisfazendo métricas de equidade regulatórias sem alterar significativamente a distribuição original, e propõe métodos estatísticos baseados em distância de distribuição para detectar tais ataques.
O artigo apresenta o framework DAS (Dinâmico, Automático e Sistemático), uma abordagem de red-teaming que revela uma "lacuna de benchmarking" crítica, demonstrando que, apesar de altos desempenhos em testes estáticos, a maioria dos modelos de linguagem médica falha em testes de segurança dinâmicos devido a vulnerabilidades generalizadas em robustez, privacidade, viés e alucinações.
O artigo apresenta o CauKer, um algoritmo inovador que utiliza a composição de kernels de Processos Gaussianos e Modelos Causais Estruturais para gerar séries temporais sintéticas causalmente coerentes, permitindo o pré-treinamento eficiente e escalável de modelos fundamentais de classificação de séries temporais com desempenho superior ao observado em conjuntos de dados reais.
O artigo apresenta o GraphProp, um método de treinamento para modelos fundamentais de grafos que prioriza a generalização estrutural ao prever invariantes gráficos, superando abordagens anteriores ao capturar informações consistentes entre domínios e alcançar desempenho superior em tarefas de classificação, especialmente em cenários com poucos dados ou ausência de atributos de nós.
Este artigo demonstra que os mecanismos de portão em redes neurais recorrentes atuam como pré-condicionadores de otimização orientados pelos dados, criando uma acoplamento entre as escalas de tempo do estado e a dinâmica dos parâmetros que gera taxas de aprendizado efetivas dependentes do atraso e da direção, explicando assim a robustez treinável dessas arquiteturas.
O artigo apresenta o ECHO, um modelo fundamental inovador que utiliza uma arquitetura de divisão de bandas e embeddings posicionais de frequência para processar sinais de máquinas de comprimento variável e taxas de amostragem arbitrárias, alcançando desempenho de ponta na detecção de anomalias e classificação de falhas em diversos conjuntos de dados industriais.
Este artigo apresenta um algoritmo baseado em jogos dinâmicos inversos que utiliza programas lineares inteiros mistos para aprender restrições paramétricas a partir de demonstrações de interações de equilíbrio de Nash local entre múltiplos agentes, garantindo teoricamente a recuperação de aproximações internas dos conjuntos seguros e inseguros para o planejamento de movimentos robusto.
Este estudo propõe o modelo CbLDM, uma abordagem baseada em difusão latente condicional que utiliza matrizes Laplacianas para recuperar de forma estável e fisicamente significativa a nanoestrutura de nanopartículas metálicas a partir de suas funções de distribuição de pares atômicos.
Este artigo apresenta um quadro unificado de treinamento que integra aprendizado de currículo baseado em entropia e aprendizado multi-tarefa para superar os desafios da complexidade dos dados de mobilidade humana, alcançando desempenho superior e convergência acelerada na previsão de trajetórias.
Este artigo compara métodos de imputação baseados em MICE com redes adversariais e autoencoders para a geração de dados sintéticos em tarifação atuarial, demonstrando que o MICE oferece alta fidelidade estatística e menor complexidade de implementação.
Este artigo propõe a classe de métodos F²SA-, que utiliza diferenças finitas de ordem para aproximar o hipergradiente em otimização bilevel estocástica, alcançando uma complexidade quase ótima de para problemas com suavidade de ordem superior.
Este estudo estabelece limites empíricos para a inferência comportamental em escala, revelando uma assimetria fundamental onde as motivações são inferidas com precisão quase total, enquanto os sistemas de crenças atingem um teto de desempenho limitado pela arquitetura e pela ambiguidade inerente dos comportamentos, mesmo com o uso de agentes LLM e aprendizado curricular.
Este artigo apresenta um pipeline modular multimodal baseado em Inteligência Artificial generativa para sintetizar dados acessíveis e realistas de edifícios residenciais a partir de imagens públicas, reduzindo a dependência de fontes de dados restritas ou custosas para pesquisas em simulação energética e aprendizado de máquina.
O artigo apresenta o PANO, um operador neural consciente da física que realiza a inversão direta e em tempo real de dados brutos para imagens volumétricas 3D em tomografia fotoacústica, superando significativamente os algoritmos tradicionais e permitindo sistemas de aquisição mais acessíveis.
Este artigo apresenta um método que combina aprendizado profundo e Condutâncias de Entrada Dinâmicas (DICs) para reconstruir rapidamente populações degeneradas de modelos neuronais baseados em condutância a partir de tempos de disparo, permitindo a inferência eficiente de parâmetros biofísicos e a exploração da variabilidade de condutâncias que garantem a computação neuronal confiável.
Este artigo apresenta o MICA, um assistente de coordenação multiagente baseado em percepção e interação por voz, projetado para oferecer suporte confiável e adaptável a fluxos de trabalho industriais em hardware offline com restrições de privacidade, utilizando uma arquitetura de cinco agentes especializados supervisionados por um verificador de segurança e uma nova técnica de fusão adaptativa de etapas.