1848 Arbeiten
Die Studie stellt TopicENA vor, ein Framework, das BERTopic mit der Epistemischen Netzwerkanalyse (ENA) kombiniert, um durch automatisierte themenbasierte Kodierung die Skalierbarkeit und praktische Anwendbarkeit von ENA auf große Textkorpora zu ermöglichen.
Die Arbeit „Old Habits Die Hard" stellt das Framework History-Echoes vor, das nachweist, wie sich konversationelle Vergangenheit probabilistisch und geometrisch auf Large Language Models auswirkt, indem sie deren Trajektorien im latenten Raum in einer Art geometrischer Falle festhält.
Diese Forschung stellt ein hybrides Framework vor, das Large Language Models (LLMs) zur semantischen Inhaltsanalyse mit VARK-basierten kognitiven Profilen kombiniert, um die Kaltstartproblematik in Empfehlungssystemen zu überwinden und personalisierte, erklärbare Empfehlungen bereits bei minimalen Nutzerdaten zu generieren.
Die Arbeit stellt ein neues Paradigma namens „entropic-time inference" vor, das die LLM-Inferenz durch eine selbstorganisierende Architektur steuert, welche Scheduling, Aufmerksamkeitsverdünnung und Temperatursteuerung über ein einheitliches Entropie-Ziel vereint, um die Berechnung dort zu priorisieren, wo die Unsicherheitsreduktion maximal ist.
Dieser Artikel dokumentiert die Architektur, Entwicklung und bewahrten Artefakte des kommerziell eingesetzten, regelbasierten Logovista-Übersetzungssystems für Englisch-Japanisch, das von den frühen 1990er Jahren bis mindestens 2012 durch handgeschriebene Regeln, ein zentrales Wörterbuch und chart-basiertes Parsing kontinuierlich an praktische Anforderungen angepasst wurde.
Die Arbeit stellt SemKey vor, ein neuartiges Framework zur EEG-zu-Text-Decodierung, das durch die Entkopplung semantischer Ziele und eine signalgefundene Architektur die häufigen Probleme von Halluzinationen und der irreführenden BLEU-Metrik überwindet, um eine präzisere und diversere Sprachgenerierung aus neuronalen Signalen zu erreichen.
Die Studie zeigt, dass eine aufgabenspezifische Feinabstimmung die sensorischen und motorischen Repräsentationen in großen Sprachmodellen verbessern und die Lücke zu menschlichen Erfahrungen schließen kann, wobei diese Verbesserungen zwar sprachübergreifend generalisieren, aber stark vom Lernziel abhängen und nicht auf völlig unterschiedliche Aufgabenformate übertragbar sind.
Die Autoren stellen CoIPO, eine kontrastive Lernmethode zur Inverse Direct Preference Optimization, vor, die die inhärente Robustheit von Large Language Models gegenüber Prompt-Rauschen erhöht und dabei externe Vorverarbeitung vermeidet.
Die Arbeit stellt M-QUEST vor, ein semantisches Framework und Benchmark mit 609 Frage-Antwort-Paaren, das die automatische Extraktion von Wissen aus Memes zur Bewertung von Toxizität und Semantik ermöglicht und die Leistung von Large Language Models in diesem multimodalen Kontext evaluiert.
Die Studie zeigt, dass der Transferlernen-Ansatz für die Gebärdenzeichenerkennung durch die Nutzung ikonischer Ähnlichkeiten zwischen verschiedenen Zeichensprachen (z. B. Chinesisch zu Arabisch und Griechisch zu Flämisch) signifikante Leistungsverbesserungen erzielt, wobei Mediapipe-Features mit MLP- und GRU-Architekturen verarbeitet wurden.
Die Arbeit stellt Retcon vor, eine Few-Shot-Prompting-Technik, die eine präzise Steuerung von Large Language Models auf Ebene einzelner Gesprächsdurchgänge ermöglicht und dabei deutlich besser abschneidet als Zero-Shot- oder traditionelle Few-Shot-Ansätze.
Die Autoren stellen einen klassischen, quanteninspirierten Selbstaufmerksamkeitsmechanismus (QISA) vor, der erstmals in ein GPT-1-Sprachmodell integriert wurde und im Vergleich zum Standardansatz eine deutlich verbesserte Leistung bei gleichzeitig moderat erhöhter Inferenzzeit erzielt.
Diese Arbeit stellt eine Methode zur automatischen Entdeckung von Konzepten mittels Sparse Autoencodern vor, die es ermöglicht, die systematischen Verzerrungen und Präferenzen von LLMs als Richter ohne vordefinierte Taxonomien zu analysieren und dabei sowohl bekannte als auch neue Bias-Trends im Vergleich zu menschlichen Bewertungen aufzudecken.
Die Autoren stellen einen neurosymbolischen Ansatz vor, der soziale Wissenschaftstheorien und abduktives Reasoning nutzt, um Large Language Models bei der präzisen und inhaltsgetreuen Transformation von Texten zwischen kollektivistischen und individualistischen Narrativen signifikant zu verbessern.
Das Paper stellt DIALEVAL vor, ein auf Typentheorie basierendes Framework mit dualen LLM-Agenten, das Anweisungen automatisch in verifizierbare Prädikate zerlegt und durch differenzierte, dem menschlichen Urteil entsprechende Kriterien sowie kontextbewusste Funktionen eine präzisere und korrelierendere Evaluierung von LLM-Anweisungsfolgen in komplexen Dialogen ermöglicht.
Die Studie stellt DBench-Bio vor, ein dynamisches und vollautomatisiertes Benchmark-System, das die Fähigkeit von KI-Modellen zur Entdeckung neuen biologischen Wissens durch einen monatlich aktualisierten, dreistufigen Pipeline-Ansatz bewertet und dabei die Grenzen bestehender statischer Datensätze überwindet.
Die Arbeit stellt DCR (Discernment via Contrastive Refinement) vor, eine neue Ausrichtungsphase, die durch kontrastives Feinabstimmen die Überverweigerung von Large Language Models reduziert, indem sie zwischen tatsächlich toxischen und nur scheinbar toxischen Eingaben präziser unterscheidet, ohne dabei die allgemeine Sicherheit oder Leistungsfähigkeit des Modells zu beeinträchtigen.
Diese Arbeit stellt eine rechnerisch effiziente, trainingsfreie Methode vor, die auf der Entdeckung linearer Richtungen im Aktivierungsraum von Sprachmodellen basiert, um stilistische Attribute präzise zu steuern, ohne die Kernfähigkeiten der Modelle zu beeinträchtigen.
Das Paper stellt IntPro vor, einen Proxy-Agenten, der durch retrieval-basierte Inferenz und gezieltes Training den Kontext sowie individuelle Intentionsmuster nutzt, um das Intentionsverständnis von Large Language Models in Mensch-KI-Interaktionen zu verbessern.
Diese Arbeit stellt einen modularen Rahmen mit Sequential Adaptive Steering (SAS) vor, der durch die Orthogonalisierung von Lenkvektoren eine effiziente, parametrische und gleichzeitig erklärbare Steuerung mehrerer Persönlichkeitsmerkmale in LLMs zur Inferenzzeit ermöglicht, ohne dass ein erneutes Training erforderlich ist.