3900 artigos
Este artigo introduz o framework ZERO, um modelo de governança operacional que desloca a tomada de decisão de sustentabilidade de centros de dados de IA para o estágio anterior (upstream), ao impor restrições de admissibilidade de múltiplos recursos antes da execução da carga de trabalho, priorizando, assim, a disponibilidade holística de recursos em detrimento de métricas de eficiência post-hoc.
Este artigo apresenta o RAM-GenAI, um método prático de avaliação rápida projetado para avaliar o uso responsável de IA generativa na pesquisa científica em contextos de baixa e média renda, como Uganda, ao focar em cinco domínios principais: transparência, verificação, responsabilidade de dados, supervisão humana e reprodutibilidade.
Este artigo propõe o uso de modelos de linguagem, particularmente o BERT, para capturar o significado semântico de frases em URLs maliciosas, alcançando uma melhoria significativa na precisão da classificação multiclasse de até 99,7% em comparação com métodos tradicionais que dependem exclusivamente de características lexicais e estatísticas.
Este estudo apresenta uma estrutura de ciclo fechado formalmente fundamentada que aproveita a Pesquisa de Ciência do Design e a ponderação derivada de AHP específica para cada estilo para superar as limitações da avaliação uniforme no treinamento de artes marciais assistido por IA, permitindo assim a avaliação de pose em tempo real e reduzindo significativamente os desvios por meio de feedback corretivo baseado em conhecimento através de cinco estilos distintos de artes marciais chinesas.
AURA é uma estrutura de ZK-Rollup assistida por borda que permite transações de IoT com preservação de privacidade ao realizar o offloading de computações criptográficas pesadas para nós de borda e utilizar um novo protocolo de agregação em árvore binária para comprimir 64 provas de nível de dispositivo em uma única verificação on-chain de baixo custo e eficiente em termos de energia.
Este estudo demonstra que, apesar da extensa experimentação com diversas estratégias de pré-processamento, modelos de aprendizado de máquina clássicos, técnicas de adaptação de domínio e estruturas de aprendizado profundo contrastivo, modelos de predição de Diabetes Mellitus Gestacional (DMG) treinados em coortes de população única falham universalmente em generalizar entre contextos clínicos devido ao severo desvio de conceito na relação condicional , com o desempenho sendo recuperável apenas quando os dados de treinamento incluem tanto a população de origem quanto a de destino.
Este artigo demonstra que modelos de ruído condicionados à calibração revelam que o QAOA de profundidade-1 é universalmente inferior a heurísticas ávidas clássicas em todas as instâncias de Max-Cut testadas e gerações de dispositivos IBM, ao mesmo tempo em que estabelece que a adequação do dispositivo é previsível a partir da topologia do grafo, mas indistinguível entre chips saudáveis individuais da mesma geração, refinando, assim, o framework QSE para priorizar a seleção de hardware em nível de geração em vez da otimização por dispositivo.
Este artigo propõe o MetaFiLM-HTR, um framework de meta-aprendizado adaptável ao escritor que combina FOMAML com condicionamento FiLM e roteamento explícito de gradiente para permitir a rápida adaptação em tempo de teste para o reconhecimento de textos manuscritos históricos e multilíngues, alcançando reduções significativas na taxa de erro de caracteres através de arquitetura otimizada e tarefas auxiliares autossupervisionadas.
O artigo apresenta o r2py, um framework de agentes de IA com supervisão humana que orquestra um processo de tradução multifásico e verificação rigorosa para converter pacotes estatísticos de R em bibliotecas nativas de Python, preservando o código compilado e garantindo a correção numérica em relação às implementações originais.
Este artigo introduz um benchmark contrafactual demonstrando que, embora timeouts ambíguos de ferramentas imponham um teto de sucesso de 50% na recuperação de agentes de LLM, a implementação de contratos de idempotência estáveis permite uma recuperação perfeita, ao passo que confiar apenas em informações de status gera apenas uma melhoria parcial.