7279 artigos
O artigo apresenta o R4T, um método que utiliza aprendizado por reforço para sintetizar dados de treinamento e treinar um recuperador baseado em difusão leve, permitindo a recuperação eficiente de conjuntos de itens otimizados para propriedades de alto nível com latência drasticamente reduzida em comparação às abordagens tradicionais.
Este artigo aborda a previsão de radiomapas para sistemas XL-MIMO na faixa de 6 GHz superior, apresentando o primeiro grande conjunto de dados multiconfiguração, um novo framework de benchmark e a proposta do "beam map", uma característica física que permite generalizar para configurações e ambientes não vistos com redução significativa de erro, superando as limitações de dados e extrapolação dos métodos atuais.
O artigo propõe o M-CMAB, um framework de agendamento de inferência para modelos de linguagem multimodal que utiliza bandits contextuais multi-adapter e um construtor primal-dual para otimizar decisões online sob restrições orçamentárias multidimensionais e heterogêneas, superando os métodos atuais em qualidade de resposta e eficiência.
Este artigo propõe uma arquitetura de referência para frameworks de aprendizado por reforço, identificando componentes e padrões recorrentes através da análise de 18 sistemas de ponta, a fim de estabelecer uma base comum para comparação, avaliação e integração.
O artigo apresenta o CLoPA, uma estratégia de adaptação contínua que ajusta uma pequena fração dos parâmetros do modelo nnInteractive durante o fluxo de trabalho de anotação, elevando rapidamente o desempenho da segmentação interativa em diversas tarefas médicas para níveis de especialista sem exigir novos parâmetros ou alterações no pipeline de inferência.
Este artigo apresenta uma estrutura para o cálculo certificado e preciso de normas em espaços de funções (como Lebesgue e Sobolev) de redes neurais profundas, combinando aritmética intervalar, refinamento adaptativo e quadratura para fornecer limites determinísticos e garantidos de erros em normas de funções, superando as limitações das avaliações pontuais tradicionais.
Este artigo propõe um Mapa de Correlação-Complexidade como ferramenta diagnóstica para identificar distribuições de dados alinhadas com modelos generativos quânticos do tipo IQP, demonstrando que dados de turbulência clássica, caracterizados por alta complexidade e compatibilidade quântica, podem ser gerados eficientemente por circuitos quânticos compactos com menos amostras de treinamento do que modelos clássicos.
O artigo demonstra que, para dinâmicas gaussianas quânticas, a reversão do ruído baseada apenas no escore de Bayes viola a positividade completa quando há emaranhamento ou ruído térmico suficiente, exigindo a injeção de difusão adicional para garantir a validade física do modelo.
O artigo apresenta o NOBLE, uma arquitetura que adiciona ramificações de baixo rank não lineares permanentes às camadas lineares dos transformers para acelerar o pré-treinamento do zero, alcançando ganhos significativos de eficiência e velocidade de convergência com sobrecarga mínima de parâmetros e tempo.
O artigo apresenta o COLD-Steer, um framework livre de treinamento que controla o comportamento de Grandes Modelos de Linguagem (LLMs) em tempo de inferência ao aproximar as mudanças de representação resultantes do aprendizado em contexto, alcançando alta eficácia de direcionamento com até 50 vezes menos exemplos do que os métodos existentes.
Este artigo apresenta uma abordagem de cache semântico que reduz o tempo de execução de aprendizado de conceitos em uma ordem de grandeza ao otimizar a recuperação de instâncias para tanto reasoners simbólicos quanto neuro-simbólicos.
Este artigo desafia a suposição de que ataques de backdoor em modelos de difusão multimodais são mais eficazes ao atacar múltiplas modalidades simultaneamente, demonstrando que ocorre um "colapso de modalidade" onde o mecanismo de ataque degenera para depender predominantemente de um único subconjunto de modalidades, tornando as demais redundantes.
Este estudo apresenta um sistema de inteligência artificial treinado em mais de 45.000 imagens de ultrassom que não apenas diagnostica fendas orofaciais fetais com precisão superior à de radiologistas júnior e comparável à de especialistas seniores, mas também atua como um copiloto médico para aumentar a sensibilidade diagnóstica e acelerar o desenvolvimento de expertise clínica em condições raras.
Este artigo demonstra como modelos de transformadores podem ser treinados para prever com precisão e baixo custo computacional as transições atômicas em nano-clusters, validando seus resultados físicos e permitindo a geração de múltiplos microestados.
Este artigo apresenta um novo método de interpretabilidade para previsão hierárquica de séries temporais probabilísticas que, ao explicar a importância das variáveis, a incerteza e as mudanças nos dados, aumenta a confiança e a adoção de modelos de previsão em cenários industriais complexos, como demonstrado em estudos de caso reais de uma grande empresa química.
O artigo apresenta o CODEC, um método que utiliza autoencoders esparsos para decompor o comportamento de redes neurais em contribuições causais esparsas, permitindo uma interpretação mais profunda e o controle manipulativo das camadas intermediárias em modelos de classificação de imagens e de atividade neural.
O artigo propõe o H²RL, uma abordagem híbrida de aprendizado por reforço profundo que utiliza pré-treinamento baseado em opções lógicas para alinhar agentes a objetivos de longo prazo, superando as limitações de métodos puramente simbólicos ou neurais em tarefas complexas.
O artigo apresenta o AllScAIP, um modelo de potencial interatômico baseado em aprendizado de máquina que utiliza atenção entre todos os nós para capturar interações de longo alcance de forma orientada por dados, superando as limitações de modelos anteriores e alcançando precisão de ponta em sistemas moleculares e materiais.
O artigo apresenta o SCOPE, um framework plug-and-play que melhora a segmentação 3D incremental de poucos exemplos ao enriquecer protótipos de novas classes com informações extraídas de regiões de fundo não rotuladas, alcançando desempenho superior e reduzindo o esquecimento catastrófico.
O artigo apresenta o BEVLM, um framework que integra representações de Visão de Pássaro (BEV) com Modelos de Linguagem de Grande Escala (LLMs) para superar limitações de consistência espacial e riqueza semântica, resultando em melhorias significativas de 46% na precisão de raciocínio em cenas de direção e de 29% no desempenho de condução autônoma em cenários críticos de segurança.