7326 artigos
O artigo apresenta o AgentRaft, um novo framework automatizado que combina análise de código e raciocínio semântico para detectar e mitigar o risco de "Data Over-Exposure" (exposição excessiva de dados) em agentes de LLM, demonstrando alta eficácia na identificação de violações de privacidade em ferramentas reais.
Este artigo apresenta um framework baseado em inferência ativa para reconhecimento de microgestos, que utiliza amostragem temporal guiada por Energia Livre Esperada (EFE) e aprendizado adaptativo orientado pela incerteza para superar desafios como baixa amplitude, ruído e variabilidade inter-subjetiva, demonstrando melhorias consistentes no conjunto de dados SMG.
O artigo apresenta o StageFinder, um framework de aprendizado em grafos temporais que integra dados de proveniência de host e rede para inferir com alta precisão e estabilidade os estágios de ataques APT, alcançando um escore F1 macro de 0,96 e superando as soluções mais recentes.
O artigo apresenta o PureCC, um método inovador de personalização de conceitos que utiliza um objetivo de aprendizado desacoplado e um pipeline de treinamento de dupla ramificação para alcançar alta fidelidade na geração de imagens personalizadas enquanto preserva significativamente o comportamento e as capacidades originais do modelo.
O artigo apresenta o Brain-WM, um modelo de mundo pioneiro para glioblastoma que utiliza uma arquitetura inovadora de Mixture-of-Transformers em formato de Y para unificar a previsão de tratamentos e a geração de futuras ressonâncias magnéticas, capturando assim a dinâmica coevolutiva entre o tumor e as intervenções terapêuticas para otimizar os resultados clínicos.
O artigo apresenta o SiamGM, uma rede Siamesa inovadora que combina atenção gráfica interquadro e orientação por vetores de movimento para rastrear objetos em vídeos de satélite em tempo real, superando desafios como alvos pequenos e oclusões com alta precisão e sem sobrecarga computacional.
Este artigo apresenta um modelo eficiente de compreensão de cenas RGB-D que utiliza aprendizado adaptativo multi-tarefa e orientação de características entre dimensões para superar limitações tradicionais, alcançando desempenho superior em precisão e velocidade em tarefas como segmentação semântica, de instâncias e classificação de cenas.
Este artigo apresenta uma abordagem inovadora de Aprendizado por Imitação Aproximada que permite a um quadricóptero voar em alta velocidade (até 9,8 m/s) em ambientes cluttered utilizando apenas uma câmera de eventos, superando as limitações de simulação ao treinar uma rede neural end-to-end com dados de estado simulados leves em vez de renderizar eventos sintéticos caros.
O FeasibleCap é um sistema de coleta de dados em tempo real que fornece orientação visual e háptica sobre restrições de execução diretamente no dispositivo durante a captura de demonstrações, garantindo que os movimentos sejam viáveis para o robô-alvo sem a necessidade de hardware robótico, óculos de realidade aumentada ou modelos de dinâmica aprendidos.
Este artigo propõe e valida três algoritmos de dead reckoning para cães (biológicos e robóticos) que utilizam apenas sensores inerciais, demonstrando que métodos assistidos por redes neurais superam as abordagens baseadas em modelos, alcançando um erro de distância absoluto inferior a 10% e oferecendo uma solução de posicionamento leve e de baixo custo.
O artigo apresenta o AiRWeb, um sistema que utiliza realidade aumentada para superar as limitações de tela dos dispositivos móveis, permitindo que os usuários selecionem e projetem conteúdo web arbitrário no espaço ao seu redor de forma personalizável, demonstrando sua viabilidade e usabilidade através de um protótipo funcional e um estudo preliminar.
O artigo apresenta o 3DGS-HPC, um novo framework que melhora a síntese de novas vistas e a reconstrução de cenas 3D ao mitigar distratores transitórios em ambientes reais através de uma estratégia de classificação por patches e uma métrica híbrida que integra cues fotométricas e perceptuais, superando as limitações dos métodos baseados em semântica pré-treinada.
Este artigo apresenta algoritmos determinísticos e limites estruturais para a fatoração de polinômios esparsos com grau individual limitado, incluindo a recuperação de fatores a partir de acesso de caixa-preta e a eliminação de restrições de característica dos corpos.
Este artigo propõe um método de simplificação de nuvens de pontos LiDAR baseado em atenção e aprendizado, que supera o compromisso tradicional entre velocidade e precisão ao priorizar regiões relevantes para tarefas, mantendo ou melhorando a acurácia em detecção e classificação de objetos enquanto é mais rápido que o método de amostragem por pontos mais distantes (FPS).
Este artigo apresenta o VB-NET, uma estrutura de aprendizado profundo cinza-construída e baseada em física que transforma sistemas de ar condicionado em modelos de "bateria virtual" padronizados, superando modelos de caixa-preta convencionais ao garantir consistência física e alcançar alta precisão com dados históricos mínimos.
O artigo apresenta o EmbedTalk, um método de síntese de cabeças falantes que substitui as tradicionais triplas por embeddings aprendidos para deformação de Gaussians 3D, resultando em modelos mais compactos, com qualidade superior de renderização e sincronização labial, capazes de operar em tempo real (acima de 60 FPS) em GPUs móveis.
Este artigo propõe o RecPilot, um novo paradigma de recomendação baseado em agentes que substitui as tradicionais listas de itens por relatórios detalhados e centrados no usuário, reduzindo significativamente o esforço necessário para a avaliação e decisão de compra.
O artigo propõe um método para transformar logs de baixo nível de ferramentas de criatividade em fluxos de trabalho estruturados de alto nível, permitindo que agentes inteligentes compreendam a intenção criativa do usuário e ofereçam assistência contextualizada.
O artigo argumenta que a análise de processos criativos baseada apenas em similaridade semântica de embeddings é insuficiente para capturar dinâmicas criativas reais, identificando desafios na medição de significância criativa, no tratamento de traços multimodais e na avaliação de sistemas agênticos, propondo intervenções contextuais com modelos de linguagem para superar essas limitações.
O artigo propõe um método de aprendizado não supervisionado baseado em redes neurais implícitas (SIREN) para remover distorções de refração em imagens aéreas de água, permitindo a reconstrução da imagem subjacente e a estimativa da forma da superfície da água.