6058 artigos
O artigo apresenta o PVBench, um novo benchmark que revela que mais de 40% dos patches gerados por sistemas automáticos de reparo de vulnerabilidades, embora aprovados por testes básicos, falham em testes avançados (), evidenciando a necessidade de melhorar a análise de causas raízes, a aderência a especificações e a captura da intenção dos desenvolvedores.
Este artigo apresenta o ColonSplat, um novo framework de *Gaussian Splatting* dinâmico e o conjunto de dados sintético DynamicColon, projetados para superar as limitações dos métodos atuais na reconstrução 3D precisa de movimentos peristálticos durante colonoscopias, garantindo consistência geométrica global.
Este artigo apresenta um novo framework de aprendizado eficiente em hardware para previsão de trajetórias de voo, que integra informações prévias ambientais a uma arquitetura de Transformer em cascata dupla (DTC) para prever com precisão pontos de aterrissagem, como demonstrado na trajetória de bolas de tênis.
O artigo apresenta o Robodimm, um framework de software que automatiza o dimensionamento de atuadores para robôs modulares escaláveis, utilizando formulações de dinâmica e cinemática inversa para lidar com acoplamentos de torque e efeitos de peso próprio em cadeias cinemáticas fechadas.
O artigo apresenta o CAR, um novo framework baseado em Transformers que utiliza um espaço latente de mobilidade compartilhado para permitir a rápida adaptação cinodinâmica de veículos autônomos heterogêneos com dados mínimos, reduzindo significativamente o erro de previsão em comparação com métodos tradicionais.
O artigo propõe o método LEAD (Lookahead-Enhanced Atomic Decomposition), que supera o gargalo de não-recuperação em raciocínio de longo horizonte ao combinar validação futura de curto prazo e agregação de execuções sobrepostas, permitindo que modelos como o o4-mini resolvam problemas complexos de salto de damas com maior estabilidade do que as decomposições extremas.
O artigo apresenta o PICS, um paradigma auto-supervisionado de composição por decomposição que utiliza um Transformer de Interação com Mixture-of-Experts e aumentações geométricas para gerar composições de imagens em pares com relações espaciais coerentes e maior estabilidade, superando os métodos atuais em diversas configurações.
Este estudo demonstra que o comprimento das respostas de modelos de linguagem influencia a capacidade dos usuários de detectar erros no raciocínio gerado por IA, revelando que explicações de tamanho médio são mais eficazes para manter o pensamento crítico quando o conteúdo da IA está incorreto.
Este artigo propõe um framework que utiliza a estética, especificamente cor, textura e materiais, como sinais de interação para explicar o papel e as capacidades de robôs, alinhando as expectativas dos usuários com a realidade funcional através de uma abordagem inspirada na moda.
O artigo apresenta a "animação notacional", um paradigma interativo que permite a animadores esboçar notações de alto nível sobre desenhos estáticos para gerar automaticamente quadros-chave de animação, utilizando um sistema que formaliza esses esboços, oferece controles de parâmetros e resolve ambiguidades por meio de um ciclo de feedback.
O artigo propõe uma infraestrutura legal distribuída composta por cinco camadas interligadas — incluindo identidades de agentes autosssoberanas, sistemas de restrição cognitiva e mecanismos de adjudicação descentralizada — para estabelecer a governança, a responsabilidade e a interoperabilidade jurídica necessárias em uma web de agentes de inteligência artificial.
O artigo apresenta o OPTED, um conjunto de dados aberto e pré-processado de imagens oculares para classificação de tracoma, construído na África Subsaariana utilizando um pipeline automatizado de quatro etapas baseado no modelo de segmentação zero-shot SAM 3 para extrair e padronizar regiões de interesse.
O artigo apresenta o VertiAdaptor, um novo framework de adaptação online que integra elevação e representações semânticas para modelar a cinodinâmica de veículos autônomos em terrenos off-road não estruturados, permitindo uma adaptação rápida e precisa a ambientes desconhecidos que resulta em maior precisão de previsão e velocidade de adaptação.
Este estudo demonstra que um modelo híbrido de aprendizado de máquina combinando Bi-LSTM e GRU alcançou uma precisão de 97,07% na detecção da Doença Arterial Coronariana, superando métodos diagnósticos tradicionais e oferecendo uma ferramenta robusta para melhorar os resultados clínicos.
Este artigo apresenta uma sistematização abrangente do conhecimento sobre Identidades Digitais Soberanas (SSDI), identificando seis desafios principais que impedem sua adoção em escala, analisando a predominância de soluções baseadas em blockchain na literatura e catalogando aplicações reais para orientar pesquisas futuras e a transição de sistemas centralizados para modelos soberanos.
O artigo apresenta o CoPCS, uma abordagem baseada em aprendizado que utiliza transformadores de grafos heterogêneos para permitir o planejamento colaborativo e sincronizado em tempo real entre equipes de UAVs e UGVs, superando restrições operacionais como energia e terreno para otimizar missões de grande escala.
O artigo propõe o SELSM, um framework sem treinamento que aprimora a capacidade de raciocínio lógico de modelos de linguagem locais para tarefas clínicas baseadas em FHIR, superando limitações de privacidade e dados ao alcançar uma taxa de sucesso de 100% na conclusão de cadeias de tarefas.
O artigo apresenta o SysNav, um sistema de navegação de objetos em três níveis que integra modelos de linguagem e visão para permitir a execução robusta e eficiente de tarefas de navegação em grande escala em ambientes reais complexos, demonstrando sua eficácia e generalização em múltiplos robôs físicos e benchmarks de simulação.
O artigo apresenta o PaQ-DETR, um framework unificado que supera as limitações de consultas fixas em modelos DETR ao gerar consultas dinâmicas baseadas em padrões latentes compartilhados e empregar uma estratégia de atribuição consciente da qualidade para melhorar a adaptabilidade, o equilíbrio de supervisão e a precisão na detecção de objetos.
O artigo apresenta o T2Nav, um sistema de navegação zero-shot que integra topologia algébrica e memória de grafos temporais para permitir que agentes autônomos naveguem de forma eficiente e adaptativa em ambientes desconhecidos, realizando detecção de loops e planejamento de caminhos sem necessidade de treinamento prévio.