6438 artigos
Este estudo apresenta um modelo de fluxo retificado que gera previsões realistas de ressonância magnética cerebral pós-tratamento para pacientes com glioma, utilizando dados pré-terapêuticos e mapas de dose de radioterapia para permitir simulações contrafactuais e otimização do planejamento terapêutico com alta fidelidade e velocidade de inferência.
O artigo propõe o método DDHF, que utiliza a Transformada de Fourier Discreta Não Uniforme (NDFT) para analisar a frequência temporal por pixel em câmeras de eventos, permitindo a detecção e localização em tempo real de drones com maior precisão e menor latência do que abordagens baseadas em deep learning como o YOLO.
O artigo apresenta o AULLM++, um framework baseado em Modelos de Linguagem Grande (LLMs) que supera as limitações de métodos anteriores na detecção de Unidades de Ação (AU) de microexpressões ao integrar evidências visuais multigranulares e modelagem estrutural de relações entre AUs para alcançar desempenho superior e melhor generalização.
O artigo propõe o Framework Gráfico Hierárquico de Correção de Erros (HECG), uma arquitetura inovadora para agentes autônomos com geração de ações baseada em LLMs que integra Transferência de Estratégia Multidimensional (MDTS), Classificação Matricial de Erros (EMC) e Recuperação de Gráfico Causal-Contextual (CCGR) para otimizar a seleção de estratégias, diagnosticar falhas com precisão e melhorar a execução em tarefas complexas e dinâmicas.
O artigo apresenta o StructBiHOI, um framework inovador que utiliza modelagem de articulação estruturada com um denoiser baseado em Mamba para gerar interações bimanuais mão-objeto de longo horizonte, superando desafios de estabilidade temporal e coordenação complexa ao separar o planejamento de juntas de longo prazo do refinamento de poses em nível de quadro.
Este artigo apresenta uma nova arquitetura de capacidades implementada em FPGA que permite a criação de um sistema operacional de tempo real seguro sem TCB de software em tempo de execução, isolando completamente subsistemas e periféricos não confiáveis sem exigir alterações de hardware.
O artigo apresenta o SPIRAL, um framework de malha fechada que utiliza agentes de planejamento e reflexão iterativa para aprimorar a geração de vídeos de longo prazo condicionados a ações semânticas, superando as limitações de consistência temporal e alinhamento semântico dos modelos existentes.
Este trabalho apresenta e avalia um sistema de streaming de nuvens de pontos dinâmicas que utiliza transcodificação sob demanda, demonstrando empiricamente que o uso de cache e transcodificação especulativa reduz significativamente a carga de processamento e melhora a experiência do usuário, permitindo a escalabilidade para um maior número de clientes simultâneos.
Este artigo apresenta um método de percepção baseado em IA com previsão hierárquica de intenções humanas que permite aos robôs em laboratórios autônomos antecipar e interagir proativamente com pesquisadores humanos, superando as limitações dos sistemas atuais de detecção de obstruções e otimizando a coordenação em ambientes compartilhados.
O artigo apresenta o CliCooper, um framework de Aprendizado Dividido (Split Learning) cooperativo multi-cliente que protege a privacidade dos dados e garante a integridade e a proveniência do modelo em ambientes parcialmente confiáveis, utilizando técnicas de privacidade diferencial e marcação d'água dinâmica.
Este artigo propõe o framework AFOP-ML, uma rede prototípica com otimização automática de recursos que utiliza aprendizado meta para realizar o reconhecimento tátil de formas e materiais com alta precisão em cenários de poucos exemplos, superando métodos existentes e demonstrando robustez frente a perturbações e classes não vistas.
O artigo apresenta o conjunto de dados FoMo, uma coleção abrangente de um ano de duração na Floresta Montmorency que registra mudanças sazonais extremas, como neve profunda e crescimento vegetal, para avaliar e demonstrar os desafios que essas variações impõem aos sistemas de localização e mapeamento de robôs.
O artigo propõe o IMaX, um método simples e eficaz baseado no princípio de maximização de informação mútua que, ao integrar um objetivo entrópico α, supera as limitações de distribuições de classe de cauda longa em cenários de generalização de domínio semi-supervisionada, melhorando consistentemente o desempenho de técnicas existentes.
O artigo apresenta o OLLA, um framework de agregação online impulsionado por Grandes Modelos de Linguagem (LLMs) que acelera o processamento de texto não estruturado em consultas relacionais através de amostragem estratificada semântica e agregação incremental, alcançando resultados precisos com uma fração mínima do tempo necessário para processar dados completos.
O artigo apresenta o Alfa, um método de adaptação de filtros de baixo posto com mecanismo de atenção que repondera padrões semânticos em modelos de estimativa de olhar pré-treinados para realizar personalização eficiente no momento do teste, superando técnicas existentes em benchmarks cruzados e demonstrando aplicabilidade em outros domínios além da visão computacional.
Este artigo propõe o método HE-GP, que utiliza uma avaliação híbrida dinâmica para otimizar o agendamento de satélites de observação terrestre ágeis sob incertezas, reduzindo significativamente o custo computacional e superando heurísticas tradicionais e abordagens de avaliação única.
Este relatório documenta o trabalho do grupo SymBa na oficina ALICE 2026, que recria e expande a pesquisa pioneira de Nils Aall Barricelli sobre a simbiose de organismos numéricos para explorar seu papel na origem da vida e na inteligência coletiva, propondo novas direções para a vida e inteligência artificiais.
Este artigo investiga sistemas de antenas de pinçamento multimodo (PASS), propondo protocolos de seleção e combinação de modos para otimização de comunicações multi-usuário, e apresenta um algoritmo PSO-KPBF que demonstra que a combinação de modos oferece alta eficiência espectral, enquanto a seleção de modos aproxima-se desse desempenho com menor complexidade de hardware.
O artigo propõe o R2F, um framework sem LLMs que reinterpreta as fronteiras de raios como hipóteses semânticas direcionais para navegação de objetos em ambientes internos, alcançando desempenho competitivo em tempo real e até seis vezes mais rápido que alternativas baseadas em grandes modelos de visão e linguagem.
O artigo apresenta o LAR-MoE, um framework de duas etapas que utiliza um espaço latente aprendido de forma não supervisionada para regular o roteamento de especialistas em arquiteturas Mixture-of-Experts, permitindo que robôs adquiram habilidades de manipulação complexas e generalizem para novos tecidos biológicos sem depender de anotações de fase supervisionadas.