3615 artigos
Este artigo demonstra que os sistemas de reconhecimento de emoções faciais para robótica, embora alcancem alta precisão em conjuntos limpos, sofrem de uma descalibração de confiança catastrófica e estruturalmente não calibrável sob ataques adversários, tornando-os fundamentalmente inseguros para controle físico, apesar de parecerem altamente confiantes.
Este artigo propõe um novo framework de segmentação semântica de sensoriamento remoto que integra imagens ópticas e modelos digitais de superfície através de codificação específica por modalidade, interação cross-modal hierárquica e decodificação guiada por frequência para abordar efetivamente desafios no reconhecimento de estruturas finas, precisão de limites e detecção de objetos pequenos.
Este estudo demonstra que um pipeline de composição de cena sintética, avaliado via um protocolo de cinco dobras agrupado e consciente de vazamento através de cinco backbones CNN, melhora significativamente a precisão do reconhecimento de gestos manuais estáticos robusto ao fundo de 48,0% para 97,1%, enquanto mantém um gap de transferência visível em conjuntos de dados externos.
Este estudo revela que, embora os detectores de alucinação alcancem um forte desempenho em domínio, sua confiabilidade degrada-se significamente sob mudanças de distribuição, perturbações de evidência e aumento de ruído contextual, demonstrando que a acurácia agregada de benchmarks por si só é insuficiente para avaliar sua robustez e generalização.
Este estudo demonstra que as métricas padrão de Taxa de Erro de Palavra falham em capturar os riscos críticos de segurança de modelos de reconhecimento de fala de código aberto em ambientes clínicos, uma vez que estes modelos exibem colapsos de desempenho não lineares e erros perigosos de transcrição de medicamentos com sons ou grafias semelhantes sob estresse acústico.
O artigo propõe o ArguGenCourt, um sistema de LLM multiagente que simula argumentos de tribunal para casos da Suprema Corte dos EUA usando recuperação de precedentes locais para melhorar significativamente a qualidade dos argumentos e a precisão da previsão de julgamento subsequente, juntamente com a introdução de uma nova métrica de avaliação chamada ArguEval.
Esta pesquisa propõe e avalia um framework abrangente que quantifica a incerteza em relações causais extraídas por LLMs de narrativas de segurança crítica por meio de sinais de múltiplas fontes e predição conformal, demonstrando que estimativas de confiança calibradas melhoram significativamente a precisão da extração e permitem a triagem de especialistas de baixo custo para uma tomada de decisão confiável e informada pelo risco.
Este artigo apresenta o ARES, um sistema de alerta precoce explicável e de múltiplas fontes que integra fluxos de dados heterogêneos em uma arquitetura modular para gerar pontuações interpretáveis de risco de escalada geopolítica, priorizando a transparência operacional e a rastreabilidade em detrimento de alegações preditivas não verificadas.
Este artigo apresenta o MedAgent-RAG, um sistema de múltiplos agentes com recuperação aumentada que melhora significativamente a anamnese automatizada ao adaptar-se dinamicamente às respostas dos pacientes, enquanto analisa simultaneamente 231 entrevistas médicas para revelar que o conhecimento clínico é compartimentado em módulos sindrômicos e que o questionamento segue um fluxo markoviano de duas fases distintas.
Este artigo propõe uma Attention U-Net modificada com atenção de escala cruzada e supervisão consciente de bordas para segmentação de lesões em ultrassom de mama, mas sua utilidade clínica é atualmente limitada por baixos escores de Dice, recall e IoU, bem como pela partição de dados não verificada e métricas de desempenho conflitantes que necessitam de validação adicional e comparações de linha de base.