1062 artigos
Este artigo apresenta o Composite Tasks Challenge (CTC), um novo conjunto de benchmarks projetado para avaliar rigorosamente a divisão de trabalho e a cooperação em aprendizagem por reforço multiagente, revelando que os métodos de estado da arte atuais falham em resolver essas tarefas ao demonstrar que um ambiente de teste solúvel, porém desafiador, é essencial para o avanço do campo.
O SousCoder é um assistente de desenvolvedor proativo e local-first que monitora sinais comportamentais entre aplicações no VS Code, Chrome e o terminal para detectar confusão do desenvolvedor e intervir com sugestões contextualizadas, alcançando baixa latência e alta relevância em avaliações de campo ao estender trabalhos anteriores com memória persistente e percepção de múltiplas fontes.
Este estudo avalia um pipeline de modelo de linguagem de grande escala para extrair 14 variáveis atuariais de sinistros de acidentes de trabalho, revelando uma concordância geral moderada com revisores humanos (kappa ponderado quadrático de 0,53) e variabilidade significativa entre as dimensões, o que ressalta a necessidade de calibração e implantação faseada antes da validação formal.
Este estudo demonstra que um modelo de aprendizagem profunda baseado em transformer supera algoritmos clássicos de aprendizagem automática na previsão da estabilidade da rede elétrica, alcançando alta precisão tanto em tarefas de classificação binária quanto de regressão, ao mesmo tempo em que apoia metas globais de sustentabilidade para redes inteligentes resilientes.
Este estudo identifica que o menor contraste entre a lesão e o fundo em peles escuras cria uma sobreposição de classes estruturais, fazendo com que modelos de IA dermatológica superprevejam sistematicamente a malignidade e gerem encaminhamentos excessivos para pacientes de pele escura, um gargalo de equidade que persiste mesmo após corrigir distribuições de classes de confusão e que é melhor mitigado pelo balanceamento de classes por tom do que pela condicionamento de tom.
Esta pesquisa propõe uma estrutura de aprendizado de máquina que utiliza métodos de ensemble e IA explicável para prever falhas em data warehouses com até 15 minutos de antecedência por meio da análise de métricas do sistema, reduzindo, assim, o tempo de inatividade através da detecção proativa de anomalias e da análise automatizada de causa raiz.
Através de uma investigação abrangente de Monte Carlo, este artigo demonstra que, embora o tamanho da amostra de treinamento seja o principal fator determinante da fidelidade da atribuição SHAP, os tratamentos comuns para desbalanceamento de classes frequentemente distorcem as classificações e magnitudes das características, levando os autores a recomendar a prevenção do rebalanceamento em favor da ponderação de classes quando a interpretabilidade SHAP é uma prioridade.
Este artigo introduz o CLHA, um método de agregação de Hessiano entre camadas para quantização pós-treinamento de Transformers de Mistura de Especialistas (Mixture-of-Experts) com pesos compartilhados que minimiza o erro total de reconstrução ao combinar estatísticas de Hessiano entre camadas compartilhadas, superando significativamente as abordagens de calibração por camada existentes e também abordando falhas críticas de implementação na estimativa de Hessiano.
Este artigo apresenta a Linguagem de Anotação Agêntica (AAL), um novo sistema de anotação in-band que permite a injeção de contexto Just-In-Time para agentes autônomos, reduzindo significativamente o consumo de tokens e a poluição de contexto em comparação com arquivos de regras globais tradicionais, mantendo uma alta conformidade com restrições específicas do domínio.
Este artigo apresenta o primeiro estudo de generalização entre conjuntos de dados para a detecção de notícias falsas em urdu, revelando que um modelo treinado no conjunto de dados Ax-to-Grind falha catastroficamente quando aplicado ao conjunto de dados Notri-Fact devido a um confundimento sistemático de comprimento nos dados de treinamento que induz o aprendizado de atalhos, destacando, assim, falhas críticas nas práticas atuais de construção de conjuntos de dados e avaliação para o PLN de baixos recursos.