9515 artigos
O artigo apresenta o ReactDance, um framework de difusão que utiliza uma representação latente hierárquica com quantização escalar finita (HFSQ) e uma estratégia de amostragem não autoregressiva baseada em blocos (BLC) para gerar danças reativas de alta fidelidade e coerência temporal em sequências longas.
Este artigo apresenta o MiCo, um framework hierárquico baseado em agentes de linguagem que utiliza grandes modelos de linguagem (LLMs) para projetar heurísticas adaptáveis e generalizáveis, resolvendo com alta eficiência o complexo problema de escalonamento dinâmico de máquinas virtuais em nuvem.
Este artigo apresenta o CausalPitfalls, um benchmark abrangente que avalia a capacidade de modelos de linguagem de grande escala (LLMs) de superar armadilhas estatísticas comuns na inferência causal, revelando limitações significativas em sua confiabilidade para aplicações do mundo real.
O artigo apresenta o ShIOEnv, um ambiente de shell Bash compatível com Gymnasium que utiliza síntese baseada em gramática e um sinal de irreduzibilidade auto-supervisionado para gerar 2,1 milhões de pares de entrada-saída, permitindo que modelos aprendam com maior precisão o comportamento de execução de comandos reais, superando as abordagens anteriores livres de execução.
O artigo apresenta o VTool-R1, um framework pioneiro que utiliza aprendizado por reforço para treinar modelos de linguagem e visão (VLMs) a raciocinar de forma multimodal, intercalando texto e etapas visuais intermediárias geradas por ferramentas de edição de imagem, melhorando assim o desempenho em tarefas complexas de questionamento visual.
Este artigo apresenta um algoritmo de aprendizado PAC eficiente em atributos para hiperplanos esparsos que é robusto a uma taxa constante de ruído malicioso, utilizando variantes simples de programas de minimização de perda de hinge sob condições de concentração e margem.
Este artigo propõe um novo quadro que representa modelos de linguagem grandes com parâmetros booleanos multi-núcleo, permitindo o ajuste fino direto no domínio booleano sem pesos latentes, o que elimina a perda de desempenho e reduz drasticamente a complexidade em comparação com métodos existentes.
Este trabalho propõe o raciocínio em cadeia de pensamento com tokens contínuos (CoT2), demonstrando teoricamente e empiricamente que essa abordagem permite a exploração paralela de múltiplos traços de raciocínio, superando métodos tradicionais em eficiência e desempenho em tarefas lógicas complexas.
O artigo apresenta o SealQA, um novo benchmark desafiador que avalia modelos de linguagem aumentados por busca em cenários de resultados conflitantes e ruidosos, revelando que mesmo os modelos de ponta atuais falham em tarefas de raciocínio factual e de contexto longo, com desempenho que não melhora consistentemente com o aumento de recursos computacionais.
Esta revisão sistemática analisa 68 experimentos que utilizam FPGAs para implantar modelos de aprendizado de máquina em plataformas de observação da Terra, propondo duas taxonomias para otimizar arquiteturas de modelos e estratégias de implementação, seguindo as diretrizes PRISMA 2020 para garantir transparência e reprodutibilidade.
Este artigo apresenta o HSG-12M, o primeiro grande conjunto de dados de multigrafos espaciais contendo 16,7 milhões de grafos espectrais de Hamiltonianos de cristais não hermitianos, gerados automaticamente pela ferramenta Poly2Graph para superar a escassez de dados em física quântica e impulsionar o aprendizado de máquina geométrico.
O artigo apresenta o EDINET-Bench, um novo benchmark de código aberto baseado em relatórios anuais japoneses para avaliar LLMs em tarefas financeiras complexas, demonstrando que os modelos atuais têm desempenho limitado e destacando a necessidade de ambientes de teste mais realistas e estruturados para superar essas deficiências.
O artigo apresenta o SPEED-RL, um método de aprendizado por reforço online que acelera o treinamento de modelos de raciocínio em até 6 vezes ao selecionar dinamicamente exemplos de dificuldade intermediária para maximizar a eficiência do aprendizado sem comprometer a precisão.
Este artigo apresenta o BWFlow, um novo framework de *Flow Matching* para geração de gráficos que supera as limitações dos métodos atuais ao modelar a evolução conjunta de nós e arestas através de campos aleatórios de Markov e transporte ótimo, garantindo caminhos de probabilidade suaves e melhorando a convergência no treinamento e amostragem.
O artigo propõe o ExSUL, um novo framework de aprendizado online para geração seletiva que, ao lidar com feedback adversário parcial, utiliza conversão de arrependimento e "feedback unlocking" para garantir controle rigoroso da Taxa de Descoberta Falsa (FDR) em modelos de linguagem, mantendo alta cobertura de respostas mesmo em ambientes não estacionários.
O artigo propõe as SKANODEs, uma estrutura que integra redes KAN a Neural ODEs para recuperar estados físicos latentes e descobrir equações simbólicas interpretáveis de sistemas dinâmicos não lineares, superando métodos de caixa preta e clássicos em precisão e robustez.
Este trabalho apresenta as Redes de Presimplificação (PSNs), um novo framework que supera as limitações atuais do aprendizado de sistemas físicos ao restaurar a geometria simplética em sistemas com dissipação e restrições holonômicas, como robôs quadrúpedes, através da elevação para uma variedade de dimensão superior baseada em estruturas de Dirac.
Este artigo analisa a robustez de políticas de aprendizado por reforço aplicando filtros sinápticos como estresse interno e ataques adversariais como estresse externo para classificar parâmetros como frágeis, robustos ou antifrágeis, demonstrando que parâmetros antifrágeis podem melhorar o desempenho do agente sob condições adversas em ambientes de controle contínuo.
O artigo apresenta o MuRating, uma abordagem escalável que transfere sinais de qualidade de dados do inglês para treinar um avaliador multilíngue, permitindo a seleção de conjuntos de dados equilibrados que melhoram significativamente o desempenho de modelos de linguagem grandes em tarefas multilíngues e baseadas em conhecimento.
O artigo apresenta o Overtone, um emulador de física baseado em transformadores que utiliza modulação cíclica dinâmica do tamanho dos patches durante a inferência para mitigar erros harmônicos sistemáticos e permitir um ajuste flexível entre precisão e custo computacional, superando os modelos de patches fixos em benchmarks de EDPs.