7769 artigos
Este artigo apresenta o LDP-Slicing, um framework leve e sem treinamento que supera as limitações de utilidade da Privacidade Diferencial Local em imagens ao decompor os pixels em planos de bits e aplicar mecanismos de privacidade diretamente nessa representação binária, resultando em imagens com alta utilidade para tarefas downstream sem comprometer a privacidade rigorosa.
O artigo apresenta o RISCBench, uma metodologia e conjunto de benchmarks de código aberto que introduz a métrica de "Throughput Sustentado Instantâneo" (SIT) para avaliar a eficiência de orquestração de núcleos RISC-V em sistemas heterogêneos, superando as limitações das métricas de desempenho convencionais ao focar em fatores como sincronização e residência de dados.
Este artigo apresenta uma revisão experimental comparando algoritmos de conversão de ponto flutuante para strings decimais, demonstrando que técnicas modernas como Schubfach e Dragonbox superam significativamente o Dragon4 em velocidade, embora nenhuma das implementações analisadas, incluindo as bibliotecas padrão, garanta consistentemente a geração das strings decimais mais curtas possíveis.
Este estudo apresenta a plataforma GSI D-Hub, um ecossistema digital baseado em inteligência artificial explicável que facilita a coordenação transparente entre múltiplos stakeholders para o desenvolvimento global, demonstrando como algoritmos interpretáveis e governança de dados podem aumentar a confiança e a eficiência na colaboração pública.
Este estudo avalia a vulnerabilidade de migrantes da África Subsaariana à fraude impulsionada por IA, concluindo que a exposição prévia a alvos é o principal fator de risco, enquanto a confiança na identificação de conteúdo gerado por IA e o esforço comportamental de verificação atuam como fatores protetores significativos.
Este artigo apresenta uma arquitetura de controle de ética por design que integra raciocínios éticos em mecanismos de aplicação ao longo do ciclo de vida da IA, utilizando uma estrutura de três portões (métricos, de governança e ecológicos) para traduzir compromissos normativos em controles operacionais testáveis e integráveis aos pipelines de MLOps.
Este estudo emprega inferência causal para demonstrar que autores de grupos raciais minoritários, mulheres e instituições do Sul Global enfrentam desvantagens estatisticamente significativas nos rankings de aceitação de artigos acadêmicos, evidenciando a necessidade urgente de intervenções para mitigar vieses nos processos de revisão tradicionais e baseados em IA.
Este artigo apresenta um novo framework de orquestração para Redes Baseadas em Intenção (IBN) em redes 5G e 6G, utilizando uma arquitetura multiagente hierárquica com SLMs e LLMs, demonstrando que os SLMs oferecem precisão de tradução comparável enquanto aceleram o ciclo de vida da IBN em 20%.
O artigo apresenta o ObjChangeVR, um novo framework e dataset (ObjChangeVR-Dataset) projetados para superar os desafios de detectar mudanças de estado de objetos em ambientes de realidade virtual a partir de visões egocêntricas contínuas, especialmente quando ocorrem sem interação direta do usuário, demonstrando desempenho superior em comparação com abordagens de base.
Este artigo propõe um framework de consistência de margem com pontuação de fidelidade a perturbações para subtipar adenocarcinoma pulmonar invasivo em imagens de lâminas inteiras, alcançando alta precisão e robustez a variações de imagem e generalização entre instituições.
O artigo apresenta o PaLMR, um framework que alinha tanto o resultado quanto o processo de raciocínio em modelos multimodais por meio de dados conscientes da percepção e uma fusão hierárquica de recompensas, reduzindo significativamente alucinações e alcançando resultados de ponta em benchmarks de raciocínio visual.
Este artigo propõe o framework DAPR, que integra Aprendizado Federado Assíncrono, um modelo preditivo GRU-VAE e Aprendizado por Reforço Profundo para otimizar o cache cooperativo em computação de borda veicular, superando as limitações de seleção de clientes e precisão preditiva dos métodos tradicionais.
O artigo apresenta o FCBNet, um modelo eficiente para segmentação de ervas daninhas em imagens aéreas multiespectrais que, ao utilizar um backbone ConvNeXt congelado e um bloco de correção de recursos, supera diversos modelos existentes em precisão (mIoU > 85%) e eficiência computacional, reduzindo os parâmetros treináveis em mais de 90%.
O artigo apresenta o GameVerse, um benchmark abrangente que demonstra como Modelos Visuais-Linguísticos podem aprimorar suas políticas de jogo através de um ciclo reflexivo que combina a análise de falhas e tutoriais em vídeo, funcionando como uma alternativa sem treinamento ao aprendizado por reforço e ao ajuste fino supervisionado.
O artigo apresenta o ASMIL, um novo quadro unificado de aprendizado múltiplo de instâncias estabilizado por atenção que supera as limitações de instabilidade dinâmica, superajuste e concentração excessiva em imagens de lâminas inteiras, alcançando melhorias significativas no desempenho em comparação com os métodos mais avançados.
Este capítulo examina o potencial da inteligência artificial generativa para promover a coerência no ensino, aprendizagem e avaliação da alfabetização científica nos níveis K-16+, abordando seus benefícios, desafios e a arquitetura necessária para sua implementação.
O artigo propõe o Graph-of-Mark (GoM), uma técnica de prompting visual baseada em grafos que sobrepõe grafos de cena às imagens para melhorar o raciocínio espacial e a capacidade de localização de modelos de linguagem multimodais, superando as limitações de métodos anteriores ao capturar explicitamente as relações entre os objetos.
Este artigo apresenta um sistema de inferência otimizado para modelos de geração de vídeo baseados em DiT, que utiliza codificação posicional 3D sequencial-paralela com um índice de tempo global para reduzir o consumo de memória e a latência, permitindo a geração de vídeos em tempo real com qualidade comparável.
O artigo demonstra que, em tarefas médicas de visão e linguagem, o raciocínio passo a passo (Chain-of-Thought) frequentemente performa pior que respostas diretas devido a um gargalo de percepção médica, mas propõe intervenções de ancoragem perceptiva e fundamentação descritiva para mitigar esse problema e melhorar a precisão dos modelos.
O artigo apresenta o SJD-PV, um método de aceleração sem treinamento para geração de imagens autoregressiva que utiliza verificação especulativa em nível de frases, agrupando tokens visualmente correlacionados para reduzir a latência de inferência em até 30% sem comprometer a qualidade visual.