3729 artigos
O artigo propõe o TeNS, um modelo de Pontuação Neural Temporal para Completude de Grafos de Conhecimento Temporais que utiliza um codificador temporal aprendível e uma rede de pontuação de Perceptron Multicamadas para capturar padrões temporais complexos e interações não lineares profundas, superando, assim, os modelos de base existentes em tarefas de previsão de ligação.
O JoinFinder é um framework de aprendizagem profunda multimodal que utiliza a identidade do manuscrito como um proxy supervisionado escalável para aprender embeddings robustos para identificar e recuperar fragmentos de manuscritos históricos, alcançando um desempenho superior na descoberta de junções candidatas através do corpus da Cairo Geniza sem exigir anotações explícitas de junção.
Este artigo demonstra que a representação de entrada do problema do logaritmo discreto dita fundamentalmente o algoritmo interno descoberto por redes neurais, revelando que o alinhamento algébrico com a verdadeira fatoração do problema é um pré-requisito para a generalização rápida (grokking) e que as estruturas computacionais ricas em interações necessárias formam-se durante a fase de memorização muito antes do desempenho melhorar.
Este artigo introduz uma estrutura de benchmarking abrangente que avalia a robustez de grandes modelos de linguagem na extração de pares chave-valor de documentos ruidosos gerados por OCR, revelando que o desempenho em textos limpos é um indicador não confiável para a confiabilidade no mundo real e desafiando suposições sobre classificações consistentes de modelos e os benefícios monotônicos de prompting de poucos disparos (few-shot prompting).
Este artigo propõe uma estrutura de resposta a incidentes automatizada e consciente da confiabilidade para sistemas distribuídos baseados em Cadence que integra modelagem de confiabilidade ao nível de fluxo de trabalho e sinais de monitoramento enriquecidos para acelerar a detecção e a recuperação, ao mesmo tempo em que aumenta a estabilidade do sistema a longo prazo.
Este artigo avalia sistematicamente as assinaturas de falha distintas de SINDy, Neural ODEs e PINNs sob observações esparsas e ruidosas, revelando como o ruído, a geometria de amostragem e as configurações de otimização impactam diferencialmente sua precisão, estabilidade e acurácia preditiva através de vários sistemas dinâmicos.
Este artigo propõe um framework híbrido que combina o XGBoost para a previsão precisa de culturas baseada no solo com um modelo de linguagem ajustado via LoRA para gerar recomendações Top-K interpretáveis e amigáveis ao agricultor, demonstrando que a integração de aprendizado de máquina tabular com IA generativa aumenta tanto o desempenho quanto a usabilidade de sistemas de suporte à decisão agrícola.
Este artigo propõe e avalia um sistema recomendador de intervenção de ansiedade adaptativo utilizando uma estrutura de UCB de Janela Deslizante Descontada com filtragem de relevância, que supera significativamente os modelos tradicionais de histórico completo ao alcançar até um aumento de 20% na recompensa cumulativa e uma redução de 61% no regret dinâmico através da rápida adaptação a ambientes de usuários não estacionários.
Este artigo propõe e avalia um framework de observabilidade unificado e orientado por SLO que integra AWS CloudWatch, GCP Cloud Monitoring, ELK e Splunk por meio de um metamodelo independente de provedor e governança de orçamento de erro, demonstrando melhorias significativas no tempo de detecção, velocidade de recuperação, estabilidade de SLO e redução de custos operacionais em ambientes multi-nuvem.
Este estudo exploratório apresenta o Warrant, um protocolo de código aberto que utiliza verificações ocultas e um portão determinístico para reduzir significativamente as falsas aceitações e os defeitos escapados em código gerado por IA em comparação com testes apenas visíveis, embora ao custo de maior tempo e uso de tokens.