6905 artigos
Este artigo propõe um método de aprendizado TD cooperativo em tempo único para agentes personalizados que compartilham uma representação linear, demonstrando que a decomposição em um subespaço comum e cabeças locais mitiga conflitos de sinais heterogêneos, alcança aceleração linear e supera desafios analíticos decorrentes de amostragem de Markov e dinâmicas de erro interconectadas.
Este artigo propõe a integração de um modelo de regressão vetorial autoregressiva (VAR) com regularização dentro de um autoencoder convolucional para extrair dinâmicas temporais esparsas e interpretáveis de dados de imagem de células, permitindo simultaneamente a redução de dimensionalidade, a visualização de contribuições espaciais e testes estatísticos de sequências temporais.
Este artigo apresenta o GramCol e o IMAP, métodos que localizam espacial e temporalmente conceitos de movimento e objetos em Transformers de Difusão de Vídeo sem necessidade de cálculo de gradiente ou atualização de parâmetros, oferecendo mapas de saliência interpretáveis para tarefas como segmentação semântica zero-shot.
O artigo apresenta o CGL, um framework de aprendizado contínuo para agentes de interface gráfica que combina ajuste fino supervisionado e aprendizado por reforço com mecanismos de ajuste dinâmico e cirurgia de gradientes para equilibrar adaptação a novas tarefas e retenção de conhecimento, validado por um novo benchmark chamado AndroidControl-CL.
Este artigo estabelece a primeira separação teórica entre o Adam e o SGD, demonstrando que a normalização do segundo momento no Adam permite uma dependência de no parâmetro de confiança para a convergência de alta probabilidade, superando a dependência de inerente ao SGD.
O artigo apresenta a Decomposição de Sonda Composicional (CPD) para demonstrar que a alinhamento da tarefa de treinamento e a arquitetura equivariante são fatores determinantes que moldam a acessibilidade linear e a disjunção de informações geométricas e composicionais em modelos de base atômica, revelando que modelos treinados em propriedades específicas (como o gap HOMO-LUMO) organizam seus representações de forma mais eficiente do que aqueles treinados apenas em energia.
O artigo apresenta o XInsight, um framework multiagente inspirado em aconselhamento psicológico que integra o paradigma de Exploração-Insight-Ação com um ciclo de Raciocínio-Intervenção-Reflexão para fornecer suporte digital estruturado e interpretável, validado por meio do novo benchmark XInsight-Bench.
O artigo apresenta o vLLM Hook, um plug-in de código aberto que permite o acesso e a modificação programática dos estados internos de modelos LLM no vLLM, habilitando funcionalidades como detecção de prompts maliciosos, aprimoramento de RAG e direcionamento de ativações.
O artigo apresenta a "Isotonic Layer", uma nova estrutura diferenciável que integra ajuste linear por partes em arquiteturas neurais para garantir viés monotônico global, permitindo calibração granular e adaptativa que mitiga vieses sistemáticos e melhora a precisão preditiva e a consistência de classificação em sistemas de recomendação em larga escala.
Este artigo investiga a origem dos "sumidouros de atenção" em Grandes Modelos de Linguagem, identificando um mecanismo específico chamado "P0 Sink Circuit" que permite a modelos reconhecerem o primeiro token sem informação semântica, surgindo precocemente no treinamento e concentrando-se nas primeiras camadas, o que pode servir como indicador de convergência.
Este trabalho demonstra que estruturas latentes hierárquicas no processo de geração de dados unificam a explicação do surgimento de fenômenos mecanísticos distintos em modelos de linguagem, utilizando corpora sintéticos gerados por gramáticas livres de contexto probabilísticas para investigar e validar essas descobertas tanto em dados sintéticos quanto em modelos reais.
O artigo apresenta a Hierarchical Embedding Fusion (HEF), uma abordagem de duas etapas que comprime repositórios de código em uma hierarquia de vetores densos e os integra ao gerador via pseudo-tokens, permitindo uma geração de código assistida por recuperação com latência ultrabaixa e precisão comparável a métodos baseados em snippets.
O artigo apresenta o FuzzingRL, uma abordagem que combina fuzzing e ajuste fino por reforço adversarial para gerar automaticamente perguntas que exploram sistematicamente as vulnerabilidades de Modelos de Linguagem e Visão (VLMs), reduzindo significativamente sua precisão e demonstrando eficácia na transferência entre diferentes modelos.
O artigo apresenta o SWAN (Switchable Activation Networks), um novo framework que atribui portas binárias determinísticas dependentes da entrada a cada unidade neural, permitindo uma alocação adaptativa de computação que reduz a redundância e melhora a eficiência sem comprometer a precisão, unificando assim os benefícios da esparsidade, poda e inferência dinâmica.
O artigo apresenta o paradigma de agrupamento Khatri-Rao, que estende métodos tradicionais como k-Means e agrupamento profundo ao postular que os centróides surgem da interação de conjuntos de protocentróides, resultando em resumos de dados mais sucintos e precisos.
O artigo demonstra que a duplicação de dados é dependente da escala, evidenciando que, à medida que os modelos aumentam sua capacidade, documentos semanticamente equivalentes geram gradientes cada vez mais alinhados e causam colisões semânticas aceleradas, o que degrada o desempenho de modelos grandes e exige novas leis de escala para prever com precisão o impacto da unicidade limitada do corpus de pré-treinamento.
O artigo apresenta um método de pontuação de confiança normalizada para detectar erros e alucinações em modelos de linguagem, demonstrando que o ajuste fino supervisionado (SFT) melhora a calibração da confiança enquanto métodos de aprendizado por reforço a prejudicam, propondo uma solução de pós-ajuste para restaurar a confiabilidade e otimizar sistemas de geração aumentada por recuperação (RAG).
O artigo apresenta o STAR Set Transformer, um modelo que melhora a previsão em séries temporais clínicas assimétricas ao incorporar vieses de atenção suaves para capturar a localidade temporal e a compatibilidade entre variáveis, superando as abordagens baseadas em grades e conjuntos de pontos em tarefas de cuidados intensivos.
O artigo apresenta o LegoNet, uma técnica de compressão que agrupa pesos em blocos para reduzir a pegada de memória de modelos como o ResNet-50 em até 128 vezes sem necessidade de retreinamento, alteração de arquitetura ou perda significativa de precisão.
Este artigo apresenta uma abordagem sistemática para avaliar algoritmos de aprendizado por reforço multiagente na alocação de recursos em redes C-V2X, utilizando um conjunto de benchmarks e dados gerados por simulação para identificar que a robustez e a generalização das políticas em topologias veiculares diversas são os principais desafios, demonstrando também a superioridade de métodos ator-crítico sobre abordagens baseadas em valor.