6871 artigos
Este artigo propõe o "Adam-Aware In-Run Data Shapley", um método que supera as limitações das abordagens baseadas em SGD ao calcular atribuições de dados para o otimizador Adam com alta fidelidade e eficiência computacional, utilizando uma nova aproximação linearizada de gradientes fantasmas.
Este estudo demonstra que, para a detecção de valores humanos em nível de frase, a estrutura de valores de ordem superior de Schwartz funciona melhor como um viés indutivo do que como uma regra de roteamento rígida, sendo que os ganhos mais significativos de desempenho provêm de técnicas de calibração e ensembles em vez de arquiteturas hierárquicas complexas.
O artigo apresenta o LatentMem, um framework de memória multiagente aprendível que supera as limitações de homogeneização e sobrecarga de informação existentes ao sintetizar memórias latentes compactas e específicas para cada agente, otimizando-as através da Política de Otimização de Memória Latente (LMPO) para alcançar ganhos de desempenho significativos sem modificar os sistemas subjacentes.
O artigo apresenta o T2T (Thickening-to-Thinning), um novo framework de recompensa dinâmica inspirado no aprendizado humano que alterna entre incentivar trajetórias mais longas para explorar soluções em tentativas erradas e penalizar o comprimento após o acerto para eliminar redundâncias, resultando em desempenho superior de raciocínio em modelos de linguagem em benchmarks matemáticos.
Este artigo revela uma nova vulnerabilidade de segurança em modelos de linguagem de código aberto, demonstrando que atacantes podem implantar backdoors durante a inferência manipulando apenas os modelos de chat (templates) sem alterar os pesos do modelo ou os dados de treinamento, o que permite desativar a precisão factual ou induzir a emissão de URLs maliciosas sob condições específicas enquanto permanece invisível para as verificações de segurança automatizadas.
O artigo apresenta a Hinge Regression Tree (HRT), um método que reformula a divisão de árvores de regressão oblíquas como um problema de mínimos quadrados não lineares resolvido por um método de Newton amortecido, garantindo convergência, universalidade de aproximação e desempenho superior em comparação com abordagens tradicionais.
O artigo apresenta as Redes Radiais de Müntz-Szász (RMN), uma arquitetura neural inovadora que utiliza potências radiais aprendíveis e um termo logarítmico estável para modelar com alta precisão e eficiência campos singulares multidimensionais, superando significativamente as redes neurais tradicionais em termos de erro e número de parâmetros.
O artigo apresenta o SDFed, um framework de aprendizado federado heterogêneo para modelos de visão e linguagem que supera as limitações de métodos existentes ao permitir prompts locais de comprimento variável e empregar refinamento de subespaço e controle de divergência para alinhar efetivamente os conhecimentos locais e globais em ambientes com dados e recursos desiguais.
Este artigo demonstra que os pipelines híbridos de RAG introduzem uma vulnerabilidade de segurança chamada "Risco de Pivotamento de Retorno" (RPR), onde dados sensíveis vazam entre inquilinos através de conexões de grafos iniciadas por vetores, e propõe que a verificação de autorização na fronteira de expansão do grafo é uma mitigação eficaz e de baixo custo para eliminar esse vazamento.
Este artigo propõe um novo quadro unificado de pré-treinamento baseado em difusão para modelos fundamentais de grafos cerebrais, que supera as limitações dos métodos existentes ao utilizar a difusão para orientar estratégias de mascaramento e reconstrução que preservam padrões de conectividade semanticamente significativos e capturam informações estruturais globais, resultando em representações mais robustas validadas em grandes conjuntos de dados de neuroimagem.
Este artigo investiga a reordenação de páginas em documentos WOO holandeses desordenados, demonstrando que, embora modelos especializados alcancem alta precisão em documentos curtos, os transformadores seq2seq falham em generalizar para textos longos devido à necessidade de estratégias de ordenação distintas, um desafio mitigado com sucesso pelo uso de modelos especializados.
Este artigo apresenta um novo quadro de trabalho baseado em processamento de linguagem natural que utiliza modelagem de tópicos e agrupamento semântico para simplificar escalas psicológicas sem depender de dados de resposta, conseguindo reduzir o número de itens em cerca de 60,5% enquanto preserva a estrutura fatorial e a consistência interna das escalas originais.
O artigo apresenta o TrasMuon, um otimizador que combina a geometria quase isométrica dos métodos Muon com calibração global e um mecanismo de região de confiança baseado em energia para estabilizar magnitudes e melhorar a convergência e robustez em modelos de visão e linguagem, mesmo sem etapas de warmup.
Este artigo investiga o problema de vazamento de dados em benchmarks para sistemas de recomendação baseados em Grandes Modelos de Linguagem (LLMs), demonstrando que a exposição prévia a esses dados durante o treinamento pode inflar artificialmente as métricas de desempenho quando os dados são relevantes ao domínio ou degradar a precisão quando são irrelevantes, comprometendo assim a confiabilidade das avaliações atuais.
Este artigo apresenta a Política de Velocidade Média (MVP), um novo método de política generativa que utiliza uma restrição de velocidade instantânea para garantir alta expressividade e permitir a geração de ações em um único passo, superando os métodos baseados em fluxo existentes em termos de precisão, velocidade de treinamento e desempenho em tarefas de manipulação robótica.
O artigo apresenta o Pawsterior, um novo framework de correspondência de fluxo variacional que melhora a inferência baseada em simulação ao incorporar diretamente a geometria de domínios estruturados e permitir a modelagem de estruturas latentes discretas, superando as limitações dos métodos convencionais.
O artigo propõe uma hierarquia de cinco níveis de aprendibilidade baseada na estrutura de informação dos problemas, argumentando que a geração de código avança mais rapidamente que o aprendizado por reforço devido à sua verificação densa e local, e que o progresso futuro da IA depende mais da natureza aprendível das tarefas do que apenas do aumento do tamanho dos modelos.
O artigo apresenta o LongAudio-RAG, um framework híbrido que responde a perguntas sobre áudios de longa duração ao converter gravações em registros de eventos estruturados para recuperação precisa e geração de respostas por modelos de linguagem, demonstrando sua eficácia e viabilidade em uma arquitetura de borda-nuvem.
O artigo propõe a Rede de Codificação Preditiva com Alinhamento Direto Kolen-Pollack (DKP-PC), um algoritmo biologicamente inspirado que utiliza conexões de feedback diretas para eliminar o atraso e o decaimento exponencial na propagação de erros, reduzindo a complexidade temporal de O(L) para O(1) enquanto mantém a localidade das atualizações e supera ou iguala o desempenho das redes de codificação preditiva padrão.
Este artigo demonstra que a seleção criteriosa de fontes de dados, mesmo descartando uma parcela significativa deles, é fundamental para alcançar a estimação estatisticamente ótima de extratores de características compartilhados em cenários lineares, propondo algoritmos e heurísticas para identificar subpopulações informativas que garantem a otimalidade minimax.