8500 artigos
O artigo apresenta o Evo, um modelo de linguagem de grande escala inovador que unifica as abordagens autoregressiva e de difusão em um único fluxo latente evolutivo, permitindo um equilíbrio adaptativo entre planejamento e refinamento para alcançar resultados de ponta em diversas tarefas com eficiência de inferência.
Este artigo propõe um novo framework de aprendizado de representação consciente da topologia, que utiliza modelos fundamentais específicos de domínio, tokenização de grafos e aprendizado por contraste com distilação de conhecimento para superar as limitações atuais e realizar previsões de interação zero-shot em Redes Biológicas Multiplex.
O artigo apresenta o NAT (Not All Tokens Are Needed), um framework de aprendizado por reforço que otimiza o custo computacional ao atualizar a política apenas com um subconjunto de tokens gerados via reponderamento de Horvitz-Thompson, mantendo o desempenho em raciocínio matemático enquanto reduz significativamente o uso de memória e tempo de treinamento.
O artigo apresenta o GraphSkill, um framework de codificação com recuperação aumentada hierárquica guiada por documentação e agente de autodepuração, que supera as limitações de métodos existentes ao explorar a estrutura hierárquica de documentos técnicos e corrigir erros lógicos, validado por meio de um novo dataset e experimentos que demonstram maior precisão e menor custo de inferência em raciocínio complexo sobre grafos.
Este artigo demonstra que os Modelos de Recompensa de Processo (PRMs) atuais são sistematicamente exploráveis por adversários, revelando que eles funcionam mais como detectores de fluência do que como verificadores de raciocínio, e propõe um novo framework de diagnóstico e ferramentas para avaliar sua robustez antes da implantação.
Este artigo avalia empiricamente modelos estatísticos e de aprendizado profundo para previsão de carga de energia, demonstrando que a arquitetura Transformer, baseada em mecanismos de atenção, supera modelos tradicionais como ARIMA e LSTM ao alcançar a maior precisão e robustez na previsão de consumo de energia da PJM.
Esta pesquisa oferece uma revisão abrangente do Flow-GRPO, detalhando seus avanços metodológicos e suas extensões em diversas modalidades generativas, posicionando-o como um quadro geral para o alinhamento de modelos de geração de grande escala com preferências humanas.
O artigo apresenta a Teoria do Espaço de Exploração (EST), uma estrutura formal baseada em reticulados que adapta a Teoria do Espaço de Conhecimento para sistemas de recomendação de localização, garantindo matematicamente que as sugestões respeitem dependências de pré-requisitos entre pontos de interesse e ofereçam explicações estruturais válidas.
Este artigo propõe um modelo de Redes Neurais em Grafos baseado em aprendizado coletivo para imputar dados faltantes de condições de pavimento, integrando características de seções adjacentes e dependências entre elas para superar as limitações dos métodos tradicionais e fornecer avaliações mais precisas para a manutenção rodoviária.
O artigo apresenta o Grouter, um método de roteamento preemptivo que desacopla a otimização estrutural da atualização de pesos em modelos Mixture-of-Experts (MoE), acelerando significativamente a convergência e o throughput do treinamento ao utilizar estruturas pré-otimizadas.
O artigo propõe o T-REX, uma arquitetura baseada em transformadores que gera recomendações de categorias personalizadas para o comércio eletrônico de supermercados, superando limitações de modelos anteriores ao combinar dependências de curto prazo, preferências de longo prazo e um esquema de mascaramento causal para prever com precisão os próximos itens em cestas de compras.
Este artigo apresenta um protocolo de extração de características de grafos causal e seguro contra vazamento de dados para detecção de fraudes em redes de transações temporais, demonstrando que, embora os atributos das transações sejam predominantes, os indicadores estruturais do grafo fornecem uma interpretabilidade valiosa e melhoram a análise de risco em pipelines de detecção de fraudes.
O artigo propõe um novo princípio de incerteza na aprendizagem de máquina, análogo ao da análise de Fourier, que descreve como a degenerescência fatal das expansões de Heaviside e sigmoides cria vales suaves que impedem a convergência para mínimos profundos, revelando que muitos desafios científicos nessa área são fundamentalmente problemas de física e não de ciência da computação.
O estudo demonstra que a capacidade de modelos de linguagem pequenos inferirem propriedades de grafos depende criticamente da organização da representação dos dados e da estratégia de raciocínio, sendo que representações que preservam a estrutura de vizinhança e o raciocínio multi-ramo melhoram significativamente a estabilidade e a consistência das previsões.
O artigo apresenta o SmartBench, o primeiro conjunto de dados e benchmark projetado para avaliar a capacidade de modelos de linguagem grandes (LLMs) de detectar e responder a estados anômalos em ambientes domésticos inteligentes, revelando que os modelos atuais ainda possuem desempenho insuficiente para essa tarefa crítica.
O artigo apresenta o HEARTS, um benchmark unificado que avalia a capacidade de raciocínio hierárquico de modelos de linguagem grandes (LLMs) em séries temporais de saúde, revelando que eles ainda superam significativamente os modelos especializados e dependem excessivamente de heurísticas simples, indicando que o aumento de escala por si só é insuficiente para lidar com a complexidade temporal real.
O artigo apresenta o RECAP, uma estratégia de aprendizado bioinspirada que combina dinâmicas de reservatório não treinadas com um mecanismo de leitura de protótipos auto-organizado baseado em Hebbian, permitindo classificação robusta de imagens sem o uso de retropropagação de erro.
Este artigo revela que a técnica de "unlearning" baseada em poda em modelos de difusão é vulnerável a um ataque de revivescência de conceitos, onde a simples localização dos pesos removidos atua como um canal lateral que permite recuperar informações apagadas sem necessidade de dados ou retreinamento, exigindo assim o desenvolvimento de mecanismos de poda mais seguros que ocultem essas localizações.
O artigo apresenta o SR-TTT, uma abordagem que resolve as falhas de recuperação de modelos de linguagem com Treinamento em Tempo de Teste (TTT) ao integrar um mecanismo de memória residual esparsa e controlada por perda, que roteia dinamicamente apenas tokens altamente surpreendentes para um cache de atenção exata, preservando assim a eficiência de memória O(1) para o contexto geral enquanto garante a retenção precisa de informações críticas.
Este artigo de revisão define o aprendizado profundo quântico (QDL), apresenta uma taxonomia de quatro paradigmas, analisa seus fundamentos teóricos e implementações experimentais em diversas plataformas de hardware, avalia criticamente as alegações de vantagem quântica e traça um roteiro para sua evolução rumo a implementações escaláveis e tolerantes a falhas.