4469 artigos
Este artigo propõe um quadro de controle seguro e resiliente baseado em eventos (EDSR) que integra funções de barreira e Lyapunov com estimação de dados para garantir manobras de mudança de faixa seguras e estáveis para veículos automatizados em tráfego misto, mesmo sob ataques de injeção de dados falsos exponencialmente ilimitados.
Este artigo propõe o Generalized Per-Agent Advantage Estimator (GPAE), um novo framework de aprendizado por reforço multiagente que melhora a eficiência amostral e a coordenação ao estimar vantagens por agente via operadores de iteração de valor e amostragem por importância truncada dupla, eliminando a necessidade de estimativa direta da função Q.
Os autores apresentam um framework de avaliação baseado em agentes para testar raciocínio lógico, demonstrando sua eficácia ao benchmarkar um agente de auto-formalização no conjunto de dados FOLIO, onde ele superou uma linha de base de cadeia de pensamento com 86,70% de precisão.
Este artigo apresenta o Problema de Cobertura de Ciclos com Arestas Obrigatórias (RCCP) como um novo framework para provar a ASP-completude de diversos quebra-cabeças de papel e lápis, resolvendo problemas em aberto e refinando classificações de complexidade para jogos como Kakuro, Chocona e Hinge.
O artigo apresenta o Mica, uma arquitetura de computação confidencial baseada em Arm CCA que elimina a necessidade de confiança entre componentes ao fornecer mecanismos explícitos para definir, restringir e atestar todos os caminhos de comunicação, garantindo assim a confidencialidade dos dados em fluxos de trabalho em nuvem complexos com um aumento mínimo na base de código confiável.
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.