5154 artigos
O artigo apresenta o LEL, um novo framework de aprendizado emsemble com restrições de continuidade de Lipschitz que melhora a estabilidade, robustez e precisão do reconhecimento de emoções baseado em EEG intra-sujeito, alcançando desempenho superior em três conjuntos de dados públicos.
O artigo apresenta o GeoNav, um agente multimodal que aprimora a navegação aérea baseada em linguagem ao empregar raciocínio espacial de duas escalas e um mecanismo de cadeia de pensamento para superar os métodos existentes em ambientes urbanos complexos.
O artigo propõe o framework O-VIB, uma abordagem de compressão semântica orientada a tarefas inspirada na cognição espacial que utiliza um codificador de gargalo de informação variacional com restrições ortogonais para extrair e transmitir características multiview compactas, permitindo localização visual precisa em plataformas móveis com recursos limitados e ambientes urbanos sem GPS.
Este artigo compara algoritmos de otimização de base para robôs industriais, demonstrando que o gradiente estocástico oferece a maior taxa de sucesso em tarefas reais, enquanto os algoritmos genéticos alcançam os menores custos finais.
O artigo propõe o SFIBA, um ataque de backdoor invisível baseado em espaço que supera as limitações de ataques multialvo existentes ao garantir especificidade e furtividade através da restrição espacial dos gatilhos e da sua injeção no domínio da frequência, permitindo controlar múltiplas classes sem comprometer a performance do modelo ou a detecção visual.
Este artigo apresenta uma abordagem holística pioneira que otimiza conjuntamente a composição, a posição da base e a trajetória de robôs modulares para minimizar o tempo de ciclo em tarefas industriais, resultando em reduções de até 25% no tempo e em uma maior taxa de sucesso na geração de soluções viáveis.
Este artigo propõe uma abordagem de roteamento coordenado que utiliza dados de tráfego em tempo real para redirecionar dinamicamente veículos conectados e automatizados (CAVs) em faixas exclusivas de ônibus, melhorando simultaneamente a pontualidade do transporte público e a eficiência de viagem dos CAVs em ambientes de tráfego misto.
Um estudo randomizado com 94 conselheiros iniciantes demonstrou que um sistema de treinamento baseado em LLM, combinando prática simulada com feedback estruturado, é eficaz para melhorar habilidades microtécnicas e empatia, enquanto a prática isolada não gerou melhorias e até reduziu a empatia ao longo do tempo.
O artigo apresenta o DeepSparse, o primeiro modelo de fundação para reconstrução de CBCT com visão esparsa, que utiliza a arquitetura DiCE e o framework HyViP para superar os desafios de demanda computacional e generalização, permitindo imagens de alta qualidade com menor exposição à radiação.
O artigo apresenta o HEXGEN-FLOW, um framework inovador que otimiza o agendamento de inferência de LLMs para fluxos de trabalho Text-to-SQL em clusters heterogêneos de GPUs, utilizando um escalonador hierárquico e métodos de simulação para reduzir significativamente a latência e aumentar a taxa de transferência em comparação com os sistemas existentes.
O artigo apresenta o M³CAD, um benchmark abrangente e multimodal com dados de múltiplos veículos e sensores, projetado para impulsionar a pesquisa em direção autônoma cooperativa genérica, incluindo a proposta de uma nova abordagem de fusão multi-nível que equilibra eficiência de comunicação e precisão de percepção.
O artigo apresenta o FoldNet, um framework que utiliza síntese de dados baseada em keypoints e aprendizado por imitação em malha fechada com a estratégia KG-DAgger para treinar uma política de controle robusta capaz de dobrar roupas com 75% de sucesso no mundo real.
O artigo apresenta o Diffusion-SAFE, um framework de autonomia compartilhada que utiliza dois modelos de difusão para prever a intenção humana e guiar a transferência de controle para um copiloto seguro, permitindo uma transição suave e contínua entre o motorista e o sistema automatizado com base em um parâmetro de risco.
O artigo apresenta o MTVCraft, um framework pioneiro que tokeniza sequências de movimento 3D bruto em tokens de movimento 4D para superar as limitações dos métodos baseados em poses 2D, permitindo a animação zero-shot de personagens arbitrários e objetos não humanos com controle mais flexível e generalização superior.
Este estudo com profissionais financeiros demonstra que, embora o conteúdo gerado por IA melhore a qualidade do trabalho, a carga cognitiva extrínseca — especialmente provocada pela troca de tarefas iniciada pelo modelo — impacta negativamente o desempenho, afetando desproporcionalmente os profissionais menos experientes.
Este estudo apresenta e avalia os algoritmos de Fluxo de Potência e Fluxo de Potência Ótimo Quânticos Adiabáticos (AQPF e AQOPF), que reformulam os problemas de engenharia elétrica como otimizações combinatórias executáveis em máquinas de Ising, demonstrando sua capacidade de reproduzir soluções viáveis e exibir escalabilidade computacional promissora em sistemas de até 1354 barras ao utilizar hardware quântico e annealers digitais.
Este trabalho propõe uma nova representação de ambientes proteicos locais derivada de modelos fundamentais atômicos, demonstrando sua eficácia na captura de características estruturais e químicas e permitindo a criação de um preditor de deslocamento químico em espectroscopia de RMN com precisão state-of-the-art.
Este trabalho apresenta uma abordagem não supervisionada para descobrir taxonomias de falhas a partir de grandes volumes de logs de implantação robótica, utilizando raciocínio visão-linguagem e agrupamento semântico para identificar modos de falha recorrentes e acionáveis que melhoram a coleta de dados e o monitoramento de segurança.
Este artigo apresenta um novo framework de alocação de tarefas para robôs multitarefa, que considera restrições físicas ignoradas por métodos anteriores, propondo soluções baseadas em MAX-SAT e heurísticas gananciosas validadas em simulações e experimentos físicos que demonstram ganhos significativos de eficiência.
O artigo apresenta o ContextMatters, um framework que combina modelos de linguagem (LLMs) e planejamento clássico para relaxar hierarquicamente objetivos em ambientes 3D complexos, permitindo que agentes robóticos adaptem tarefas inatingíveis a metas viáveis com base no contexto, resultando em um aumento de 52,45% na taxa de sucesso em comparação com métodos existentes.