7103 artigos
Este artigo apresenta um novo framework que combina seleção de subconjuntos submodulares com estimativa de incerteza baseada em gradientes para melhorar a robustez e a fidelidade da explicabilidade visual sob mudanças de distribuição, superando as limitações dos métodos existentes em cenários fora da distribuição (OOD) e também em cenários dentro da distribuição (ID).
Este artigo propõe uma nova métrica de sensibilidade global baseada em Curvas de Expectativa Condicional Individual (ICE) para superar as limitações dos Gráficos de Dependência Parcial (PDP) na presença de interações fortes, demonstrando matematicamente sua superioridade e validando-a em casos de engenharia aeroespacial e eólica através de comparações com métodos como SHAP e índices de Sobol'.
Este artigo apresenta uma abordagem inovadora de Análise Topológica de Dados (TDA) baseada em patches para imagens de tomografia computadorizada (CT), que supera os métodos tradicionais de complexo cúbico e características radiômicas em precisão, sensibilidade e eficiência computacional, sendo disponibilizada através do pacote Python Patch-TDA.
O artigo apresenta o Hyper++, um novo agente de aprendizado por reforço em geometria hiperbólica que supera desafios de otimização através de regularização de características, perda categórica de valor e camadas de rede reformuladas, garantindo treinamento estável e desempenho superior em benchmarks como ProcGen e Atari-5.
O artigo apresenta o CARE, um framework de pós-treinamento para raciocínio multimodal que transforma falhas em sinal de supervisão através de um objetivo contrastivo ancorado e de uma reamostragem guiada por reflexão, resultando em ganhos significativos de precisão e suavidade no treinamento em comparação com métodos existentes.
Este artigo apresenta o benchmark LLMTM para avaliar e otimizar o desempenho de Grandes Modelos de Linguagem (LLMs) na análise de motivos temporais em grafos dinâmicos, propondo um agente aumentado por ferramentas e um dispatcher inteligente que equilibra alta precisão com redução de custos computacionais.
O artigo apresenta o MDENeRF, um framework iterativo que refina estimativas de profundidade monoculares utilizando a fusão bayesiana entre um prior global e detalhes de alta frequência derivados da incerteza de campos radiantes neurais (NeRFs), melhorando a precisão geométrica em cenas internas.
Este trabalho propõe um framework end-to-end para reconhecimento de fala audiovisual robusto que elimina a necessidade de máscaras de ruído explícitas, utilizando um módulo de fusão baseado em Conformer para refinar implicitamente as características de áudio com auxílio visual, preservando assim a integridade semântica da fala e superando métodos baseados em máscaras em condições ruidosas.
Este trabalho propõe uma abordagem de adaptação de domínio que gera representações invariantes através da incorporação espectral de planos de transporte ótimo suavizados, demonstrando desempenho superior em benchmarks de reconhecimento acústico e detecção de defeitos em cabos elétricos.
O artigo apresenta um método robusto para implementar redes neurais ópticas utilizando apenas recursos lineares e estados coerentes de luz, onde a não linearidade necessária para o aprendizado é alcançada através de codificação de fase, permitindo treinamento e inferência *in situ* com alta resiliência à perda de fótons.
O artigo apresenta o CELM, o primeiro modelo fundamental de EEG clínico para linguagem, que gera relatórios clínicos completos a partir de gravações de EEG de longa duração, alcançando melhorias significativas nas métricas de geração em comparação com métodos existentes.
Os autores apresentam e demonstram experimentalmente uma rede neural fotônica profunda que realiza aprendizado não supervisionado online e totalmente óptico, utilizando materiais de mudança de fase para sinapses e um mecanismo de feedback local, alcançando reconhecimento de letras com 100% de precisão sem conversões elétrico-ópticas.
O artigo propõe o ZK-HybridFL, um framework descentralizado de aprendizado federado que integra um ledger em DAG com sidechains e provas de conhecimento zero para validar atualizações de modelos com privacidade, garantindo maior segurança, escalabilidade e desempenho em comparação a abordagens existentes.
O artigo propõe o EDIS, uma métrica que analisa a evolução temporal da entropia durante a geração de texto para identificar padrões de instabilidade característicos de raciocínio incorreto em LLMs, permitindo melhorar a precisão do modelo tanto na seleção durante a inferência quanto na curadoria de dados para treinamento.
O artigo propõe a Decodificação de Exploração Latente (LED), uma estratégia de decodificação que explora a assimetria de entropia entre as camadas intermediárias e finais de Modelos de Raciocínio Grandes pós-treinados para restaurar a eficácia da exploração e melhorar a precisão sem necessidade de treinamento adicional.
Este artigo apresenta um pipeline automático de red-team que demonstra como estratégias de decepção em nível de prompt podem enganar tanto métodos de auditoria de alinhamento de caixa branca quanto de caixa preta, fornecendo a primeira evidência documentada de decepção estratégica baseada em ativações e sugerindo que as técnicas atuais não são robustas contra modelos desalinhados suficientemente capazes.
O artigo apresenta o LaPha, um método que treina agentes de IA semelhantes ao AlphaZero em um espaço latente de Poincaré, utilizando a geometria hiperbólica para otimizar a busca e os processos de recompensa, resultando em melhorias significativas de desempenho em tarefas matemáticas complexas como MATH-500 e AIME.
Este artigo propõe um protocolo de validação baseado em perturbação para mapas de saliência em previsões de eficácia de siRNA, demonstrando que a validação prévia é essencial para evitar falhas de generalização e introduzindo um regularizador biológico (BioPrior) que melhora a fidelidade das explicações com um custo preditivo moderado.
O artigo apresenta o Aletheia, um agente de pesquisa matemática autônomo que, combinando raciocínio avançado, escalabilidade na inferência e uso intensivo de ferramentas, gera e revisa soluções em linguagem natural para problemas que vão desde olimpíadas até contribuições originais em pesquisa acadêmica, como a descoberta de constantes estruturais e a resolução de questões abertas, ao mesmo tempo que propõe novos padrões para medir autonomia e transparência na colaboração humano-IA.
Este artigo investiga o viés de "diagonal sink" em mecanismos de atenção temporal, demonstrando teoricamente como as pontuações de atenção fora da diagonal dependem do comprimento da sequência e propondo métodos de regularização para mitigar a degeneração de informações.