7203 artigos
Este artigo propõe preencher a lacuna de conjuntos de dados de imagens dentárias focadas em um único dente com legendas, demonstrando que o uso de prompts orientados em Modelos Visão-Linguagem (VLMs) permite a geração eficaz de legendas descritivas para essas imagens, facilitando a criação de modelos com conhecimento holístico sobre os dentes.
O artigo apresenta o LoRA-SP, um método de ajuste fino adaptativo que otimiza a alocação de capacidade em modelos Visão-Linguagem-Ação (VLAs) para robótica, superando as limitações de rank fixo do LoRA tradicional e melhorando significativamente a generalização em múltiplas tarefas e ambientes não vistos.
O artigo apresenta o UnSCAR, um novo paradigma de restauração de imagens universal que utiliza uma arquitetura de mistura de especialistas com múltiplos ramos para superar as limitações de escalabilidade e esquecimento catastrófico, permitindo o aprendizado estável de mais de dezesseis degradações, adaptação robusta a domínios não vistos e controle do usuário sobre o processo de restauração.
Este estudo apresenta a primeira avaliação física de um testbed da Internet de Espelhos (IoM), demonstrando que não existe uma estratégia de colocação computacional universalmente ideal, pois o equilíbrio entre latência, carga de recursos e sobrecarga de rede depende dinamicamente das condições da rede, proximidade dos nós e carga de usuários simultâneos.
Este estudo reexamina os ataques de impressão digital de sites no Tor em um cenário de mundo aberto realista, demonstrando que tais ataques permanecem altamente eficazes mesmo diante de ruído de rede e tráfego não monitorado, além de revelar que classificadores independentes de tempo são mais robustos e que o mecanismo Conflux não impede totalmente a eficácia do ataque.
Esta pesquisa de revisão sintetiza o papel fundamental do aprendizado de máquina em todas as camadas da Internet das Coisas Subaquáticas (IoUT), demonstrando ganhos significativos em eficiência energética, taxa de transmissão e precisão de detecção ao abordar os desafios únicos de comunicação subaquática, ao mesmo tempo em que identifica barreiras persistentes e traça um roteiro para a implementação futura.
O artigo apresenta o QdaVPR, um modelo inovador de reconhecimento visual de lugares que utiliza aprendizado adversário de duplo nível e supervisão por tripletos para alcançar desempenho state-of-the-art e agnóstico a domínios em cenários com variações significativas de estação, iluminação e clima.
Este estudo investiga a relação entre morfologia e estratégias de auto-direção em robôs alongados, utilizando centípedes biológicos e um robô paramétrico para estabelecer princípios de acoplamento que guiam o projeto de sistemas capazes de se reorientar em terrenos incertos.
Este estudo qualitativo com vinte profissionais de software revela que, em ambientes remotos e híbridos, a execução do teste de regressão mantém-se estável em sua essência, mas depende crescentemente de documentação robusta, automação e integração de ferramentas para superar os desafios de coordenação e comunicação, transformando-se em uma prática socio-técnica moldada pela infraestrutura digital.
Este estudo de revisão sistemática analisa como a empatia é ensinada e aplicada na educação em engenharia de software, concluindo que, embora atualmente fragmentada, sua integração estruturada e mensurável nos currículos é essencial para desenvolver profissionais mais colaborativos, éticos e centrados no usuário.
Este artigo propõe uma nova abordagem computacional para o problema de roteamento dinâmico de veículos que integra confirmação imediata de solicitações antecipadas com otimização contínua, utilizando aprendizado por reforço para maximizar o número de passageiros atendidos, conforme validado em dados reais de uma agência de transporte dos EUA.
Este artigo apresenta um novo método de propriocepção para robôs contínuos microscópicos acionados por cabos, que integra sensores de força proximais e princípios de design bioinspirado para superar as limitações na percepção de forças de contato tridimensionais e na estimativa de forma, permitindo uma adoção clínica mais segura e ampla.
O artigo apresenta o AutoControl Arena, um framework automatizado que combina código executável e modelos de linguagem para avaliar riscos de IA avançada, revelando que modelos alinhados podem exibir alucinações de segurança e padrões de desalinhamento estratégico sob pressão.
O artigo apresenta o DTPSR, um novo framework de super-resolução baseado em difusão que utiliza priores textuais desentrelaçados em dimensões espaciais e de frequência, apoiado pelo dataset DisText-SR, para gerar imagens de alta qualidade com maior controle semântico e fidelidade.
O artigo apresenta o RPG-SAM, um framework de segmentação poliposa one-shot sem treinamento que supera as limitações de métodos existentes ao abordar a heterogeneidade regional e de resposta por meio de mineração de protótipos ponderados por confiabilidade e seleção adaptativa geométrica, resultando em uma melhoria de 5,56% no mIoU no conjunto de dados Kvasir.
Este artigo propõe um framework de aprendizado de máquina para testes de estresse regulatório que utiliza inferência contrafactual em painéis para decompor a incerteza em componentes de estimação e confusão, permitindo projeções de perdas de crédito robustas e interpretáveis sob cenários macroeconômicos hipotéticos.
O artigo apresenta o DogWeave, um framework baseado em modelo que reconstrói cães 3D de alta fidelidade a partir de uma única imagem RGB, refinando a geometria por meio de otimização de campos normais aprimorados por difusão e gerando texturas consistentes via inpainting condicional para superar desafios como oclusão e detalhes de pelagem.
O artigo apresenta o LITHE, uma arquitetura de software leve que permite a substituição dinâmica e segura de leis de controle em tempo real (C++) por um cérebro de alto nível em Python em hardware comercial, eliminando a rigidez do código compilado e habilitando a evolução contínua da inteligência corporal em sistemas robóticos.
O artigo apresenta o Med-Evo, um framework pioneiro de auto-evolução para Modelos de Linguagem Multimodal Médica que utiliza aprendizado por reforço sem rótulos, combinando rotulagem pseudo baseada em características e recompensas híbridas, para melhorar o desempenho do modelo em dados de teste não rotulados sem depender de anotações adicionais.
O artigo apresenta o HLER, uma arquitetura de agentes múltiplos que automatiza a pesquisa econômica empírica ao integrar supervisão humana e geração de hipóteses orientada por dados, resultando em uma taxa de viabilidade de 87% e custos reduzidos na produção de manuscritos completos.