11462 artigos
Este artigo propõe um método de viés contextual que utiliza correções de substituição feitas pelos usuários durante a inferência para resolver falhas no reconhecimento de palavras com discrepância entre pronúncia e ortografia, alcançando uma melhoria relativa de 22% a 34% na taxa de erro dessas palavras sem comprometer o desempenho geral do sistema.
O Meta FAIR apresenta a família de modelos universais para átomos (UMA), treinada em meio bilhão de estruturas atômicas e projetada com uma arquitetura inovadora de "mistura de especialistas lineares" para oferecer precisão e generalização superiores em diversas aplicações de ciência de materiais e química, superando modelos especializados sem necessidade de ajuste fino.
O artigo apresenta o UQLM, um pacote Python que utiliza técnicas de quantificação de incerteza para detectar alucinações em Grandes Modelos de Linguagem, oferecendo uma solução pronta para uso que gera escores de confiança e melhora a confiabilidade das respostas geradas.
O artigo apresenta o Q-SVMPC, um método de Controle Preditivo Baseado em Modelo (MPC) guiado por Q e baseado em Stein Variational, que utiliza um prior de política informado por Aprendizado por Reforço para inferir trajetórias como uma distribuição posterior, preservando soluções diversas e melhorando a eficiência, estabilidade e robustez em tarefas de navegação e manipulação robótica.
Este trabalho propõe o Fast Equivariant Imaging (FEI), um novo quadro de aprendizado não supervisionado que utiliza multiplicadores de Lagrange e desruidores Plug-and-Play para acelerar o treinamento de redes de imagem em até 10 vezes e melhorar o desempenho em tarefas como reconstrução de CT e preenchimento de imagens, sem a necessidade de dados com rótulos.
Este artigo propõe uma arquitetura de rede neural com saída antecipada e um framework probabilístico de incerteza para separação e aprimoramento de fala, permitindo a economia dinâmica de recursos computacionais em dispositivos heterogêneos sem comprometer a qualidade da reconstrução do sinal.
Este estudo utiliza técnicas de interpretabilidade para demonstrar que a generalização de tarefas em modelos de linguagem é impulsionada por um mecanismo de "indução de função" reutilizável e composto por múltiplos cabeçalhos de atenção, que permite a aprendizagem de padrões abstratos como a adição com desvio de um.
Este artigo estabelece limites de aproximação gaussiana para as distribuições finitas de redes neurais profundas com pesos aleatórios e funções de ativação Lipschitz, demonstrando a convergência para o limite gaussiano com taxas específicas quando as larguras das camadas crescem para o infinito.
Este artigo apresenta o Poker, um novo sistema de Programação Lógica Indutiva (ILP) auto-supervisionado que, na ausência de exemplos negativos e de uma teoria de fundo específica, aprende programas lógicos recursivos gerando e rotulando automaticamente novos exemplos, superando assim as limitações de sistemas existentes como o Louise.
Este artigo propõe uma metodologia de avaliação dependente da dependência temporal que controla o tamanho efetivo da amostra em vez do comprimento bruto, fornecendo limites de generalização para Redes de Convolução Temporal e demonstrando empiricamente que, quando comparado corretamente, o forte dependência temporal pode reduzir as lacunas de generalização.
O artigo apresenta o ObfusQAte, um novo framework pioneiro que avalia a robustez de Modelos de Linguagem de Grande Escala (LLMs) em tarefas de resposta a perguntas factuais sob níveis variados de obstrução linguística, revelando que esses modelos tendem a falhar ou alucinar quando confrontados com nuances como indirection de entidades nomeadas, distratores e sobrecarga contextual.
Este trabalho apresenta o Subsampling Factorization Machine Annealing (SFMA), um algoritmo híbrido de computação quântica e aprendizado de máquina que utiliza treinamento com subconjuntos de dados amostrados para melhorar o equilíbrio entre exploração e exploração, superando o FMA tradicional em velocidade, precisão e escalabilidade para problemas de otimização de grande porte.
O artigo demonstra que os Quantum Generative Adversarial Networks (QGANs) com geradores de estados puros enfrentam limitações fundamentais na generalização, convergindo apenas para uma representação média dos dados de treinamento devido a restrições teóricas derivadas da fidelidade entre o estado gerado e a distribuição alvo.
Este artigo apresenta a "zono-conformal prediction", uma nova abordagem que utiliza zonótopos para quantificar incertezas em tarefas de regressão e classificação, oferecendo garantias de cobertura estatística com maior eficiência computacional e menor conservadorismo em comparação aos métodos tradicionais.
Este artigo conceitual propõe o Sistema Adaptativo de Detecção de Crateras Planetárias Quantizado (AQ-PCDSys), uma arquitetura que integra redes neurais quantizadas e fusão sensorial adaptativa para viabilizar a detecção de crateras em tempo real em hardware espacial com restrições rigorosas de energia e memória.
Este artigo discute as estratégias atuais de avaliação de desempenho de aplicações de IA generativa na saúde, destacando as limitações dos benchmarks quantitativos e a crescente importância de métodos que combinam expertise humana e modelos computacionais eficientes para garantir a generalização em ambientes clínicos reais.
O QDFlow é um pacote de simulação física de código aberto para dispositivos de pontos quânticos que gera dados sintéticos realistas com rótulos verdadeiros, superando as limitações de coleta experimental e facilitando o desenvolvimento e a validação de modelos de aprendizado de máquina para calibração e operação desses dispositivos.
Este trabalho apresenta o primeiro estudo sobre segmentação de objetos em vídeo baseada em ação sob ruído de rótulo, introduzindo o benchmark ActiSeg-NL, analisando estratégias de aprendizado robusto e propondo o mecanismo PMHM para mitigar ruídos em anotações de texto e máscaras.
Este trabalho propõe as Redes de Subespaços Aninhados (NSNs), uma nova arquitetura que permite ajustar dinamicamente e de forma granular modelos de linguagem pré-treinados em um espectro contínuo de orçamentos computacionais, alcançando uma redução significativa no custo de inferência com perda mínima de desempenho.
O artigo apresenta o AxelGNN, uma nova arquitetura de Redes Neurais em Grafos inspirada no modelo de disseminação cultural de Axelrod, que supera desafios como o alisamento excessivo e a agregação monolítica de características ao permitir a adaptação dinâmica a grafos homofílicos e heterofílicos, alcançando desempenho competitivo em tarefas de classificação de nós e estimativa de influência.