8681 artigos
O artigo apresenta o FoleyFlow, um modelo que gera áudio sincronizado com vídeos utilizando alinhamento multimodal baseado em mascaramento e um fluxo condicional dinâmico para garantir coerência semântica e rítmica, superando os métodos existentes em benchmarks padrão.
O artigo apresenta o TRIAGE, um framework pós-hoc leve que decompõe a incerteza em componentes aleatórios e epistêmicos para orientar respostas específicas do sistema, como recuperação de observações ou moderação de controle, resultando em melhorias significativas tanto no sucesso de manipulação robótica quanto na eficiência computacional da percepção adaptativa.
Este artigo apresenta uma nova metodologia explicável para monitoramento de condição em transmissões de helicóptero, baseada apenas em dados saudáveis e no uso de detecção probabilística de anomalias com quantificação de incerteza, validada experimentalmente com desempenho competitivo em benchmarks públicos e dados reais.
O artigo propõe o SAGAD, um framework escalável e adaptativo para detecção de anomalias em grafos que mitiga disparidades de homofilia e reduz custos computacionais através de filtros de Chebyshev reparametrizados, fusão adaptativa de contextos e uma função de perda orientada por preferências de frequência, superando os métodos atuais em precisão e eficiência em grandes grafos.
O artigo apresenta o DARC, um método de inferência sem re-treinamento que aborda a heterogeneidade nas preferências humanas ao reformular a seleção de respostas como uma decisão sensível ao risco e robusta distribucionalmente, reduzindo assim o risco de cauda e a discordância sem comprometer a qualidade média.
O artigo apresenta o Eventax, um framework desenvolvido em JAX que resolve o compromisso entre flexibilidade de modelos e precisão de gradientes no treinamento de redes neurais baseadas em eventos, permitindo o uso de solvers numéricos diferenciáveis para calcular gradientes exatos em qualquer modelo de neurônio definido por equações diferenciais.
Este artigo apresenta o CFG, um método de aprendizado livre e plug-in que otimiza a Orientação Livre de Classificador (CFG) em modelos de difusão condicional ao alinhar dinamicamente a força de orientação com a dinâmica do processo de difusão, fundamentado em uma análise teórica rigorosa das discrepâncias de pontuação.
Este artigo argumenta que a avaliação atual de previsão de séries temporais de longo prazo está excessivamente focada em métricas de erro pontual agregado, o que desvia o progresso do campo de objetivos reais como a estrutura temporal e a utilidade decisória, propondo em seu lugar uma perspectiva de avaliação multidimensional que integre fidelidade estatística, coerência estrutural e relevância para a tomada de decisão.
Este artigo propõe o algoritmo ALS-IRLS, um método robusto a outliers para estimação de covariância de ruído em filtros de Kalman que combina um mecanismo de limiar adaptativo e a função de custo de Huber dentro de um quadro de Mínimos Quadrados Iterativamente Reponderados, resultando em uma precisão de estimação superior e desempenho próximo ao limite ideal de Oracle em cenários com dados contaminados.
O artigo apresenta o TIER, um método que constrói uma taxonomia hierárquica implícita e a integra ao aprendizado de representações em Redes Ricas em Texto (TRNs) por meio de aprendizado contrastivo e regularização, superando abordagens existentes ao capturar tanto semânticas de alto quanto de baixo nível.
O artigo apresenta o Covenant-72B, um modelo de linguagem de 72 bilhões de parâmetros pré-treinado em escala sem precedentes por meio de uma colaboração global e permissionless apoiada por blockchain e pelo otimizador SparseLoCo, demonstrando que a participação aberta e não whitelistada é viável e competitiva em relação a modelos centralizados.
O estudo demonstra que o raciocínio em cadeia contínuo (Continuous Chain-of-Thought) supera o raciocínio explícito em idiomas de baixa recursos, oferecendo maior robustez em cenários zero-shot e uma compressão de eficiência de 29 a 50 vezes, graças à invariância linguística inerente às representações latentes contínuas.
O artigo apresenta o ALOOD, uma abordagem inovadora que utiliza representações linguísticas de modelos visão-linguagem para alinhar características de detecção LiDAR e tratar a identificação de objetos fora da distribuição como uma tarefa de classificação zero-shot, melhorando a segurança em sistemas de direção autônoma.
O AutoAdapt é um novo framework automatizado de ponta a ponta que utiliza um sistema multiagente de debate e um substituto baseado em LLM para otimizar a adaptação de domínio de modelos de linguagem grandes, superando as abordagens atuais com maior precisão e menor custo computacional.
O artigo apresenta o SERQ, um método de reconstrução de erros sensível à saliência que utiliza uma única matriz de compensação de baixo posto para permitir inferência eficiente de LLMs em 4 bits (W4A4 e W4A8), superando o estado da arte em precisão enquanto minimiza a sobrecarga computacional e a complexidade de calibração.
Este artigo propõe um framework que integra análise de opções reais com um algoritmo de otimização baseado em Transformers (TPPO) para resolver o problema de design sequencial de regiões de serviço sob incerteza de demanda e efeitos de transbordamento, permitindo identificar sequências de investimento ótimas que superam métodos tradicionais em velocidade e valor.
O artigo critica a dependência atual de métricas de erro pontual para avaliar modelos fundacionais tabulares em regressão, propondo a adoção de regras de pontuação adequadas, como o CRPS, para avaliar previsões probabilísticas e incentivando o ajuste fino desses modelos para otimizar diferentes distribuições.
Este artigo estende o método de agregação adaptativa AsyncFedED ao explorar métricas de distância alternativas para medir o atraso dos gradientes em aprendizado federado assíncrono, demonstrando que certas métricas melhoram a robustez, a eficiência e a estabilidade do treinamento em cenários heterogêneos com dados não-IID.
Este artigo apresenta um operador neural baseado em Expansão do Caos de Wiener com modulação linear por características (WCE-FiLM-NO) que resolve com eficiência equações diferenciais parciais estocásticas singulares, como os modelos dinâmicos e , alcançando alto desempenho sem a necessidade de fatores de renormalização.
Este artigo investiga o fenômeno de jailbreak acionado por continuação em modelos de linguagem grandes, revelando através de análise mecanicista que o sucesso desses ataques resulta de uma competição intrínseca entre o impulso do modelo para continuar o texto e suas defesas de segurança, além de identificar diferenças no comportamento das cabeças de atenção críticas para a segurança em diferentes arquiteturas.