1057 artigos
Este artigo propõe o CG-GNN, uma estrutura de rede neural de grafos robusta que mitiga o ruído de rótulos ao integrar o refinamento de rótulos guiado por comunidades com a poda de arestas e um esquema de aprendizado contrastivo progressivo para superar os métodos de estado da arte em cenários ruidosos e de escassez de dados.
Este estudo demonstra que converter pontuações de importância de atributos baseadas em SHAP em ações gerenciais diretas sem considerar custos de intervenção, validade causal e riscos de queda cria perigos significativos de responsabilidade, revelando que a explicabilidade por si só é insuficiente para a tomada de decisão responsável orientada por IA.
Este levantamento revisa sistematicamente ataques e defesas de envenenamento na era dos Grandes Modelos de Linguagem, propondo uma taxonomia abrangente que categoriza as ameaças em envenenamento de pesos e de contexto, analisando técnicas representativas e estratégias de defesa, e delineando direções de pesquisas futuras para assegurar sistemas de IA compostos.
O FedDAAW é um framework leve e preservador de privacidade para aprendizado federado heterogêneo que emprega seleção dinâmica de clientes e agregação adaptativa à acurácia para melhorar significativamente a eficiência de convergência e o desempenho em diversas tarefas (classificação, análise de sentimento e regressão) sob configurações não-IID sem exigir compartilhamento de gradientes ou dados auxiliares.
Esta análise bibliométrica de 1.225 publicações de 2000 a 2024 revela a evolução da pesquisa em esportes robóticos para um campo maduro e globalmente colaborativo, impulsionado por instituições fundamentais e uma mudança temática do futebol de robôs fundamental para aplicações avançadas de IA, como aprendizado profundo e interação humano-robô.
Este artigo apresenta o Composite Tasks Challenge (CTC), um novo conjunto de benchmarks projetado para avaliar rigorosamente a divisão de trabalho e a cooperação em aprendizagem por reforço multiagente, revelando que os métodos de estado da arte atuais falham em resolver essas tarefas ao demonstrar que um ambiente de teste solúvel, porém desafiador, é essencial para o avanço do campo.
O SousCoder é um assistente de desenvolvedor proativo e local-first que monitora sinais comportamentais entre aplicações no VS Code, Chrome e o terminal para detectar confusão do desenvolvedor e intervir com sugestões contextualizadas, alcançando baixa latência e alta relevância em avaliações de campo ao estender trabalhos anteriores com memória persistente e percepção de múltiplas fontes.
Este estudo avalia um pipeline de modelo de linguagem de grande escala para extrair 14 variáveis atuariais de sinistros de acidentes de trabalho, revelando uma concordância geral moderada com revisores humanos (kappa ponderado quadrático de 0,53) e variabilidade significativa entre as dimensões, o que ressalta a necessidade de calibração e implantação faseada antes da validação formal.
Este estudo demonstra que um modelo de aprendizagem profunda baseado em transformer supera algoritmos clássicos de aprendizagem automática na previsão da estabilidade da rede elétrica, alcançando alta precisão tanto em tarefas de classificação binária quanto de regressão, ao mesmo tempo em que apoia metas globais de sustentabilidade para redes inteligentes resilientes.
Este estudo identifica que o menor contraste entre a lesão e o fundo em peles escuras cria uma sobreposição de classes estruturais, fazendo com que modelos de IA dermatológica superprevejam sistematicamente a malignidade e gerem encaminhamentos excessivos para pacientes de pele escura, um gargalo de equidade que persiste mesmo após corrigir distribuições de classes de confusão e que é melhor mitigado pelo balanceamento de classes por tom do que pela condicionamento de tom.