141 Arbeiten
Das Paper stellt ThinkQE vor, ein Testzeit-Query-Expansion-Framework, das durch einen denkenden Expansionsprozess und eine iterative Korpus-Interaktion die Vielfalt und Tiefe von Suchanfragen verbessert und dabei bestehende LLM-Methoden sowie trainierte Retrieval-Systeme auf verschiedenen Web-Such-Benchmarks übertrifft.
Der Artikel stellt TaoSR1 vor, ein dreistufiges Framework, das Large Language Models durch Supervised Fine-Tuning mit Chain-of-Thought, Direct Preference Optimization und Group Relative Policy Optimization direkt für die E-Commerce-Relevanzsuche einsetzt, um komplexe Schlussfolgerungen zu ermöglichen und dabei Halluzinationen zu minimieren sowie eine effiziente Online-Bereitstellung zu gewährleisten.
Diese Studie stellt ELERAG vor, eine für den Bildungssektor optimierte Retrieval-Augmented-Generation-Architektur, die durch die Integration von Entity Linking und einer hybriden Neuordnung auf Basis von Reciprocal Rank Fusion die faktenbasierte Genauigkeit bei der Beantwortung von Fragen auf Italienisch in domänenspezifischen Kontexten signifikant verbessert.
Die Arbeit stellt MCGI vor, eine geometrieaware Methode zur diskbasierten Vektorsuche, die durch die dynamische Anpassung der Suchstrategie an die lokale intrinsische Dimensionalität die Leistung von Approximate Nearest Neighbor-Suchen in hochdimensionalen Räumen erheblich verbessert und dabei die Abhängigkeit von statischen Hyperparametern eliminiert.
Dieses Paper stellt ein produktionsreifes semantisches Suchsystem für Uber Eats vor, das durch Feinabstimmung eines Qwen2-Modells auf großen Datensätzen, den Einsatz von Matryoshka-Repräsentationslernen und eine kombinierte Verlustfunktion eine einheitliche und mehrsprachige Suche über Restaurants, Gerichte und Lebensmittelgeschäfte hinweg ermöglicht und dabei die Rückrufquote in mehreren Märkten signifikant verbessert.
Der Artikel stellt einen Algorithmus zur elastischen Zeitverzerrung für Zeitreihen in beliebigen metrischen Räumen vor, der eine optimale Zuordnung unter Verwendung eines Hellinger-Kerns als Strafterm für die Streckung ermöglicht und dabei eine kubische Rechenkomplexität aufweist.
Die Studie zeigt, dass abdeckungsorientierte Suchmetriken verlässliche Frühindikatoren für die Informationsabdeckung in RAG-Systemen sind, insbesondere wenn die Suchziele mit den Generierungszielen übereinstimmen, wobei komplexe iterative Pipelines diese Abhängigkeit teilweise aufheben können.
Diese Studie zeigt, dass die Sichtbarkeit von Domänen in generativen Suchmaschinen aufgrund ihrer inhärenten Nichtdeterministik erheblichen Schwankungen unterliegt und daher anstelle von einzelnen Punktwerten statistisch fundierte Unsicherheitsschätzungen und Konfidenzintervalle erfordert, um aussagekräftige Vergleiche zu ermöglichen.
Das Paper stellt „Guardian" vor, ein interpretierbares, dreischichtiges Entscheidungssystem, das mithilfe von Markov-Ketten, Reinforcement Learning und LLM-basierter Qualitätsprüfung aus unstrukturierten Daten dynamische Suchpläne für vermisste Kinder innerhalb der ersten 72 Stunden erstellt.
Die Studie stellt PathoScribe vor, ein einheitliches Framework auf Basis von Retrieval-Augmented Large Language Models, das statische Pathologie-Archive in eine interaktive Wissensdatenbank verwandelt und durch Funktionen wie semantische Suche, automatische Kohortenbildung sowie klinische Fragebeantwortung die Diagnoseunterstützung und Forschungseffizienz erheblich steigert.
Die Arbeit stellt Guardian vor, ein konsensgesteuertes Multi-LLM-System mit QLoRA-Feinabstimmung, das spezialisierte Modelle und einen Konsens-Engine koordiniert, um die Informationsgewinnung und Suchplanung bei Vermisstenfällen in den kritischen ersten 72 Stunden zu unterstützen.
Die Arbeit stellt D2AJSCC vor, ein Framework, das die Implementierung hochauflösender analoger Joint Source-Channel Coding auf Standard-Digital-Transceivern ermöglicht, indem es die OFDM-Struktur zur Wellenformsynthese nutzt und ein differenzierbares ProxyNet für das End-to-End-Training bereitstellt, um so eine nahtlose semantische Kommunikation ohne Hardwareänderungen zu realisieren.
Diese Studie zeigt durch eine systematische Prüfung der Google-Rückwärtssuche, dass algorithmisches Gatekeeping die Bekämpfung visueller Falschinformationen erschwert, indem es entlarvende Inhalte oft unter irrelevanten Ergebnissen und wiederholten Falschmeldungen versteckt und dabei ein zeitliches Qualitätsgefälle aufweist.
Die Arbeit stellt DataFactory vor, ein kollaboratives Multi-Agenten-Framework, das durch spezialisierte Teamkoordination, die automatische Umwandlung von Daten in Wissensgraphen und kontextbasierte Strategien die Genauigkeit und Zuverlässigkeit von Tabellen-Fragebeantwortung (TableQA) im Vergleich zu herkömmlichen Einzel-Agenten-Ansätzen signifikant verbessert.
Die Arbeit stellt RF-Mem vor, einen adaptiven Dual-Pfad-Memory-Retriever für personalisierte LLMs, der durch die Nachahmung des menschlichen dualen Gedächtnisprozesses (Vertrautheit und Erinnerung) eine skalierbare und präzise Kontextwiedergewinnung ermöglicht, die herkömmliche Methoden in Bezug auf Genauigkeit und Effizienz übertrifft.
Diese Arbeit stellt AgentGEO vor, ein agentic System, das mithilfe einer neuen Taxonomie von Zitierfehlern gezielt Inhalte optimiert und so die Zitierquote um über 40 % steigert, während es gleichzeitig die Grenzen generischer Optimierungsansätze für die gerechte Sichtbarkeit aufzeigt.
Die Arbeit stellt TA-Mem vor, ein neuartiges, tool-augmentiertes Framework für autonome Gedächtnisabrufe in großen Sprachmodellen, das durch adaptive Extraktion, eine multi-indexierte Datenbank und einen selbstständigen Abruf-Agenten die Flexibilität und Leistung bei langfristigen konversationellen Frage-Antwort-Aufgaben im Vergleich zu bestehenden Ansätzen signifikant verbessert.
Die Arbeit stellt PRECEPT vor, ein einheitliches Framework für die Anpassung von LLM-Agenten zur Laufzeit, das durch deterministische Regelabrufe, konfliktbewusstes Gedächtnis und einen pareto-gesteuerten Prompt-Evolutionsmechanismus (COMPASS) die Zuverlässigkeit, Kompositionsfähigkeit und Robustheit gegenüber veralteten oder adversarischen Informationen signifikant verbessert.
Diese Keynote-Präsentation für ECIR 2025 untersucht das Zusammenspiel zwischen parametrischem und kontextuellem Wissen in Sprachmodellen, wobei der Fokus auf der Diagnose von Wissenskonflikten und der Bewertung liegt, wie Modelle kontextuelle Informationen nutzen oder ignorieren.
Diese Studie stellt einen automatisierten Klassifikationsrahmen zur kardiovaskulären Risikobewertung bei geriatrischen Patienten vor, der unstrukturierte elektronische Patientenakten nutzt und zeigt, dass eine maßgeschneiderte Transformer-Architektur traditionelle Methoden sowie generative Large Language Models übertrifft.