7103 artigos
Este trabalho revela a plasticidade comportamental inerente aos Grandes Modelos de Linguagem e propõe o ToCoRL, um quadro de aprendizado por reforço que internaliza essa adaptabilidade condicional a tokens, permitindo um controle preciso do comportamento do modelo sem degradação de capacidades.
Este artigo aborda a instabilidade da decomposição de valores não linear no aprendizado por reforço multiagente offline ao propor a normalização de valores invariante à escala (SVN) para estabilizar o treinamento e estabelecer uma receita prática que desbloqueia o pleno potencial desse paradigma.
O artigo apresenta o GCOS, um framework de regularização que sintetiza outliers virtuais no espaço de características respeitando a estrutura geométrica dos dados de treinamento e utilizando limites adaptativos para melhorar a detecção de dados fora de distribuição (OOD) e permitir inferência conformal com garantias estatísticas.
Este artigo apresenta um novo framework de Meta-RL com representações compartilhadas e otimização bi-nível que, ao integrar arquiteturas híbridas e mecanismos de transferência de conhecimento, permite adaptação rápida e eficiente em sistemas de gestão de energia, superando métodos convencionais em dados reais de longo prazo.
O artigo apresenta o SYNAPSE, um framework sistemático e sem necessidade de re-treinamento que analisa e perturba o comportamento interno de modelos Transformer para avaliar sua robustez e revelar padrões de organização e vulnerabilidade em suas representações neuronais.
O artigo apresenta o IronEngine, uma plataforma de assistente de IA geral que integra uma orquestração unificada, memória persistente e execução de ferramentas através de um pipeline de três fases, demonstrando desempenho superior em tarefas heterogêneas e posicionando-se como uma base orientada a sistemas para assistentes pessoais e automação.
O artigo propõe o framework GRACE, uma estratégia cíclica de "Crescer, Avaliar e Comprimir" que gerencia adaptativamente a capacidade do modelo no Aprendizado Incremental de Classes, alcançando desempenho de ponta enquanto reduz a pegada de memória em até 73% ao evitar o crescimento descontrolado de parâmetros.
Este estudo prospectivo de viabilidade demonstrou que um sistema de IA conversacional baseado em LLM (AMIE) foi seguro, bem recebido por pacientes e clínicos, e produziu diagnósticos diferenciais e planos de manejo de qualidade comparável à dos médicos de atenção primária em um ambiente de urgência real, embora os médicos tenham superado a IA na praticidade e custo-efetividade dos planos de tratamento.
O LycheeCluster é um método inovador para gerenciamento eficiente de cache KV em modelos de linguagem grandes que, ao utilizar fragmentação consciente de limites e indexação hierárquica recursiva, reduz a complexidade de recuperação de linear para logarítmica, alcançando até 3,6 vezes mais velocidade de inferência com degradação mínima de desempenho.
Este artigo demonstra que a detecção de desvios graduais em agentes de RL baseados em modelos de mundo ocorre apenas acima de um limiar crítico universal (), cuja posição é determinada pela interação entre a sensibilidade do detector, a estrutura do ruído e a dinâmica do ambiente, revelando que certos tipos de desvio (como os sinusoidais) são intrinsecamente indetectáveis e que ambientes frágeis podem colapsar antes que qualquer monitoramento seja acionado.
Este artigo apresenta um rastreador de partículas com fusão de sensores heterogêneos (câmera e LiDAR) que utiliza uma política adaptativa baseada em ganho de informação para selecionar dinamicamente o sensor mais informativo, demonstrando em um teste real no Chipre que essa abordagem oferece um equilíbrio superior entre precisão e continuidade na vigilância marítima em comparação com o uso isolado de sensores ou a fusão contínua de todos os dados.
O artigo apresenta o , um framework de previsão de risco hospitalar que utiliza dados multimodais e priores baseados em dados para melhorar a precisão preditiva e a quantificação de incerteza em modelos de IA para aplicações clínicas de alto risco.
Este artigo propõe o "Conditional Information Bottleneck" (CIB) como um novo quadro teórico para unificar o "Budget Forcing" em modelos de linguagem, tratando o raciocínio como um problema de compressão que preserva apenas as informações essenciais para a resposta, permitindo assim reduzir custos de inferência sem sacrificar a precisão lógica.
O artigo apresenta o MUSA-PINN, uma rede neural física-informada de múltiplas escalas baseada em formulação fraca que supera as limitações de convergência em geometrias complexas, como superfícies mínimas triplamente periódicas, ao reformular as restrições de PDE como leis de conservação integrais em volumes de controle hierárquicos, resultando em erros significativamente menores e melhor conservação de massa.
Este artigo propõe a integração de Redes Neurais Lagrangianas (LNNs) no framework Dyna para Aprendizado por Reforço baseado em Modelo, demonstrando que o uso de otimizadores baseados em estimativa de estado acelera a convergência e melhora a precisão das previsões de dinâmica ao impor leis físicas subjacentes.
O artigo apresenta o STRIDE, um framework de aprendizado de dinâmica que combina uma Rede Neural Lagrangiana para modelar a mecânica rígida conservativa com Fluxo de Condição para capturar efeitos estocásticos de interação, resultando em previsões mais precisas e confiáveis para o controle de robôs em ambientes incertos.
O artigo apresenta o X-AVDT, um detector de deepfakes robusto que explora mecanismos de atenção cruzada interna dos geradores para alinhar áudio e vídeo, alcançando desempenho superior e generalização em um novo conjunto de dados multimodal (MMDF) que abrange diversas tecnologias de síntese.
O artigo apresenta o NN-OpInf, uma estrutura de inferência de operadores não intrusiva e que preserva a estrutura, baseada em redes neurais compostas, que supera os métodos polinomiais tradicionais na modelagem de sistemas dinâmicos com não linearidades complexas, oferecendo maior precisão e estabilidade, embora com custos computacionais de treinamento mais elevados.
O artigo apresenta o PolarBear, um quadro baseado em inferência bayesiana e rankings que identifica o conjunto de Pareto ótimo de algoritmos de tempo qualquer sem necessidade de normalização ou limites conhecidos, permitindo a eliminação adaptativa de algoritmos dominados e a seleção robusta sob preferências temporais arbitrárias.
Este artigo propõe um método eficiente de "decalibração" para gerar conjuntos credais (intervalos de probabilidade) que representam incerteza epistêmica em modelos complexos, como TabPFN e CLIP, superando as limitações computacionais de abordagens anteriores baseadas em ensembles.