11285 artigos
Este estudo investiga a forte correlação entre o esquecimento catastrófico e o colapso estrutural em aprendizado contínuo, demonstrando através da análise do rank efetivo (eRank) em diversas arquiteturas e estratégias que a perda de capacidade de expansão do espaço de características força a sobrescrita de representações existentes, afetando diretamente a retenção de tarefas anteriores.
O artigo demonstra que sistemas de IA agênticos sofrem de um viés de autoatribuição, no qual os modelos de linguagem avaliam suas próprias ações como menos arriscadas ou mais corretas quando geradas em turnos anteriores do assistente em comparação com o mesmo conteúdo apresentado pelo usuário, levando a uma superestimação da confiabilidade desses monitores em cenários de implantação real.
Este trabalho propõe um novo framework de IA multimodal com fusão tardia que utiliza embeddings semânticos, padrões comportamentais e metadados de dispositivos para realizar a deduplicação de registros em ambientes de dados de saúde nacionais de forma escalável e em conformidade com a privacidade, eliminando a dependência de identificadores diretos sensíveis.
Este trabalho demonstra que o ajuste fino de um modelo fundamental de EDP pré-treinado (MORPH) supera o treinamento do zero na estimativa inversa de parâmetros de fusão por confinamento inercial a partir de imagens de raios X hiperspectrais, alcançando alta precisão e melhorando a eficiência amostral, especialmente em cenários com dados limitados.
Este trabalho estabelece uma equivalência variacional e baseada em gradientes entre o algoritmo K-Means e redes neurais de Funções de Base Radial (RBF) diferenciáveis, demonstrando que, à medida que o parâmetro de temperatura tende a zero, o objetivo RBF converge para a solução do K-Means e suas atualizações recuperam as regras exatas de centróide, permitindo a integração estável de agrupamento diferenciável em arquiteturas de aprendizado profundo.
Este trabalho propõe algoritmos ótimos de teste de independência que utilizam informações preditivas auxiliares para reduzir a complexidade de amostragem quando as previsões são precisas, mantendo ao mesmo tempo a validade no pior caso e estabelecendo limites inferiores que comprovam a otimalidade do método em cenários bivariados e de alta dimensão.
O Spinverse é um método de reconstrução de microestrutura a partir de ressonância magnética de difusão que utiliza um simulador de Bloch-Torrey totalmente diferenciável para inferir permeabilidades em faces de uma malha tetraédrica, permitindo a emergência de interfaces microestruturais sem alterar a conectividade da malha.
Este artigo demonstra que a integração de modelos de sequência temporal, como Transformers, ao algoritmo PPO melhora significativamente a robustez de agentes de aprendizado por reforço contra falhas persistentes de sensores, permitindo a inferência de informações ausentes e a manutenção de alto desempenho em ambientes com deriva de observação.
O artigo apresenta o iAgentBench, um novo benchmark dinâmico para perguntas de resposta aberta que avalia a capacidade de agentes de IA de realizar "sensemaking" (compreensão e síntese) ao integrar evidências de múltiplas fontes em tópicos de alto interesse, superando as limitações de benchmarks tradicionais que exigem apenas a recuperação de um único trecho.
O artigo apresenta o VeNRA, um agente de raciocínio financeiro neuro-simbólico que substitui a recuperação probabilística de texto por um Ledger de Fatos Universal estritamente tipado e um detector de alucinações adversarial treinado via simulação, garantindo precisão aritmética e zero alucinações em ambientes de alta latência.
O artigo propõe um método de re-treinamento da última camada que acopla Redes Neurais Informadas pela Física (PINNs) a um pós-processamento em um espaço de funções, reduzindo os erros em quatro a cinco ordens de grandeza e permitindo a reutilização de bases para problemas mais complexos e a seleção ótima do número de funções de base.
Este estudo propõe uma abordagem direta para estimar o volume de árvores e a biomassa acima do solo em nível de parcela, utilizando redes de regressão profunda treinadas com dados LiDAR sintéticos, que demonstraram maior precisão e menor subestimação em comparação com os métodos indiretos baseados em modelos alométricos.
Este artigo propõe que a consolidação da memória atua como um mecanismo de "esquecimento preditivo" que, ao comprimir iterativamente as representações neurais offline para reter apenas informações que preveem resultados futuros, otimiza a generalização e resolve limitações teóricas sobre a estabilidade e o drift representacional.
Este artigo propõe uma abordagem integrativa para a seleção justa de top- que generaliza cenários anteriores para múltiplos grupos protegidos, analisa a complexidade computacional do problema, introduz uma nova medida de disparidade baseada em perda de utilidade para maior estabilidade e apresenta uma solução prática com alto desempenho empírico em conjuntos de dados reais.
Este artigo apresenta o TREDBench e um método de curadoria de dados sintéticos guiado por embeddings para adaptar o modelo TabPFN 2.5 a tarefas de regressão de engenharia sem treinamento em dados reais, demonstrando ganhos significativos em precisão e eficiência de dados ao preencher a lacuna entre distribuições sintéticas e reais.
Este artigo demonstra que o aumento da profundidade em redes neurais lineares para a completude de matrizes intensifica a dinâmica acoplada, promovendo um viés implícito de baixo posto que não apenas resolve questões abertas sobre convergência a posto-1, mas também explica como modelos profundos evitam a perda de plasticidade observada em redes rasas.
Este estudo demonstra que o uso do modelo de aprimoramento de fala SAM-Audio como etapa de pré-processamento para sistemas de reconhecimento de fala zero-shot (Whisper) degrada consistentemente a precisão da transcrição, revelando que a melhoria na qualidade perceptual do áudio não se traduz necessariamente em ganhos de reconhecimento para máquinas.
Este trabalho propõe inovações probabilísticas ao modelo Dreamer que permitem a exploração paralela de estados latentes e a manutenção de hipóteses distintas para futuros mutuamente exclusivos, resultando em melhor desempenho e menor variância no domínio MPE SimpleTag.
Este artigo propõe uma abordagem híbrida que combina modelagem teórica e medições empíricas para determinar a alocação ótima de recursos computacionais em sistemas de inferência de LLM com desagregação Prefill-Decode, garantindo o cumprimento de objetivos de nível de serviço (SLOs) relacionados ao tempo de primeiro token e ao tempo por token de saída.
Este estudo apresenta uma avaliação sistemática de métodos de compressão de redes neurais — especificamente poda, quantização e destilação de conhecimento — para classificação de imagens hiperespectrais, demonstrando que é possível reduzir significativamente o tamanho e o custo computacional dos modelos mantendo um desempenho competitivo em plataformas de recursos limitados.