💬 Category

cs.CL

1725 Arbeiten

AILS-NTUA at SemEval-2026 Task 10: Agentic LLMs for Psycholinguistic Marker Extraction and Conspiracy Endorsement Detection

Dieser Beitrag stellt einen neuartigen, agentic LLM-Pipeline für die SemEval-2026 Task 10 vor, der durch eine entkoppelte Architektur mit Dynamic Discriminative Chain-of-Thought und einer „Anti-Echo Chamber"-Struktur sowohl psycholinguistische Verschwörungsmarker extrahiert als auch Verschwörungsunterstützung erkennt und dabei signifikante Verbesserungen gegenüber dem Baseline-Modell erzielt.

Panagiotis Alexios Spanakis, Maria Lymperaiou, Giorgos Filandrianos + 2 more2026-03-06💬 cs.CL

AILS-NTUA at SemEval-2026 Task 3: Efficient Dimensional Aspect-Based Sentiment Analysis

In diesem Papier stellt das AILS-NTUA-Team sein System für die SemEval-2026-Aufgabe 3 vor, das durch eine effiziente Kombination aus feingetunten Encoder-Modellen für die Sentiment-Regression und loRA-basiertem Instruction-Tuning von Large Language Models für die Extraktion von Tripletts und Quadrupletts eine leistungsstarke, ressourcenschonende Lösung für multidimensionale aspektbasierte Sentimentanalyse in mehreren Sprachen und Domänen bietet.

Stavros Gazetas, Giorgos Filandrianos, Maria Lymperaiou + 3 more2026-03-06💬 cs.CL

Federated Heterogeneous Language Model Optimization for Hybrid Automatic Speech Recognition

Diese Arbeit stellt einen neuen Ansatz zur heterogenen Optimierung von Sprachmodellen im hybriden automatischen Spracherkennungssystem vor, der durch einen „Match-and-Merge"-Paradigma mit einem verstärkten Lernalgorithmus (RMMA) eine effiziente, datenschutzkonforme Zusammenführung dezentraler Modelle ermöglicht und dabei die Genauigkeit sowie Konvergenzgeschwindigkeit im Vergleich zu bestehenden Methoden signifikant verbessert.

Mengze Hong, Yi Gu, Di Jiang + 4 more2026-03-06💬 cs.CL

LocalSUG: Geography-Aware LLM for Query Suggestion in Local-Life Services

Die Arbeit stellt LocalSUG vor, ein geographisch bewusstes LLM-Framework für die Suchvorschlagsgenerierung in lokalen Dienstleistungsplattformen, das durch stadtbezogene Kandidatengewinnung, einen beam-search-basierten GRPO-Algorithmus zur Reduzierung von Exposure-Bias und Latenzoptimierungstechniken die Klickrate um 0,35 % steigert und die Rate an nicht gefundenen Ergebnissen um 2,56 % senkt.

Jinwen Chen, Shuai Gong, Shiwen Zhang + 7 more2026-03-06💬 cs.CL

MPCEval: A Benchmark for Multi-Party Conversation Generation

Die Autoren stellen MPCEval vor, ein umfassendes Benchmark- und Evaluierungsframework, das die Qualität der Generierung von Mehrparteienkonversationen durch maßgeschneiderte, referenzfreie Metriken für Sprechermodellierung, Inhaltsqualität und Konsistenz bewertet und dabei zeigt, dass herkömmliche Ein-Score-Bewertungen wesentliche Unterschiede im konversationellen Verhalten verschleiern.

Minxing Zhang, Yi Yang, Zhuofan Jia + 5 more2026-03-06🤖 cs.AI

Mixture of Universal Experts: Scaling Virtual Width via Depth-Width Transformation

Die Arbeit stellt Mixture of Universal Experts (MOUE) vor, eine Verallgemeinerung von Mixture-of-Experts-Modellen, die durch die Einführung einer „virtuellen Breite" mittels wiederverwendeter, schichtübergreifender Expertenpools die Skalierbarkeit verbessert und dabei spezifische Herausforderungen wie Routing-Komplexität und Lastverteilung durch innovative Topologien und Router-Mechanismen adressiert.

Yilong Chen, Naibin Gu, Junyuan Shang + 8 more2026-03-06🤖 cs.AI

VRM: Teaching Reward Models to Understand Authentic Human Preferences

Die Arbeit stellt VRM (Variational Reward Modeling) vor, ein neuartiges Framework, das durch die explizite Modellierung von menschlichen Präferenzurteilen mittels latenter Variablen für hochdimensionale Zielgewichte und niedrigdimensionale semantische Merkmale die Probleme des Reward Hacking überwindet und eine engere Generalisierungsgrenze sowie eine überlegene Leistung bei der Erfassung authentischer menschlicher Präferenzen im Vergleich zu bestehenden Methoden erreicht.

Biao Liu, Ning Xu, Junming Yang + 2 more2026-03-06💬 cs.CL