141 Arbeiten
Das Paper stellt MITRA vor, ein auf On-Premise-RAG basierendes KI-System für physikalische Kollaborationen wie CMS, das durch eine automatisierte Dokumentenextraktion und eine zweistufige Vektordatenbank-Architektur präzise kontextbezogene Antworten auf Forschungsfragen liefert, während sensible Daten vollständig privat bleiben.
Der Artikel stellt RecThinker vor, ein agentisches Framework für die Empfehlungssysteme, das durch einen „Analyze-Plan-Act"-Ansatz und den autonomen Einsatz von Werkzeugen passive Informationsbeschaffung durch proaktive, selbstgesteuerte Ermittlungen ersetzt, um die Empfehlungsgenauigkeit bei unvollständigen Benutzerprofilen zu verbessern.
Der TREC 2025 RAG-Wettbewerb fördert die Entwicklung vertrauenswürdiger Systeme, die Abruf und Generierung integrieren, indem er komplexe, narrative Suchanfragen stellt und ein mehrstufiges Evaluierungsframework zur Sicherstellung von Relevanz, Vollständigkeit und faktischer Fundierung einsetzt.
Die vorgestellte Arbeit verbessert die Text-Bewegungs-Rückgewinnung durch eine interpretierbare, joint-basierte Darstellung als Pseudo-Bild und einen Token-Patch-Late-Interaction-Mechanismus, der feingranulare Korrespondenzen ermöglicht und den aktuellen Stand der Technik auf HumanML3D und KIT-ML übertrifft.
Diese Arbeit stellt ein neuartiges Framework vor, das die Token-Pruning in Late-Interaction-Retrieval-Modellen durch die Interpretation als Voronoi-Zellenschätzung im Einbettungsraum formal fundiert, um den Indexspeicherbedarf signifikant zu senken, ohne die Suchqualität zu beeinträchtigen.
Dieser Übersichtsartikel bietet eine maschinelle Lernperspektive auf den Computerized Adaptive Testing (CAT), indem er die Integration von ML-Techniken in Messmodelle, Fragenauswahl, Itembank-Konstruktion und Teststeuerung analysiert, um robuste, faire und effiziente adaptive Testsysteme zu entwickeln.
Die Studie stellt KrishokBondhu vor, ein auf Retrieval-Augmented Generation (RAG) basierendes, sprachgesteuertes Beratungssystem für den Telefonzugang, das bengalischen Landwirten in Bangladesch präzise und kontextbezogene landwirtschaftliche Ratschläge bietet und dabei im Vergleich zu bestehenden Benchmarks signifikant bessere Ergebnisse erzielt.
Die Arbeit stellt PESO vor, eine Methode zur kontinuierlichen Anpassung von LoRA-Adaptern in generativen Empfehlungssystemen, die durch einen proximalen Regularisierer sicherstellt, dass das Modell aktuelle Nutzerpräferenzen effektiv erfasst, ohne sich an veraltete Vorlieben zu binden.
Diese Arbeit stellt ein skalierbares semantisches Suchsystem für über 9 Millionen mathematische Theoreme vor, das durch die Verwendung natürlicher Sprachbeschreibungen und optimierter Embeddings die präzise Wiederauffindung spezifischer Sätze in großen Forschungsdatenbeständen im Vergleich zu herkömmlichen Methoden deutlich verbessert.
Die Studie zeigt, dass hybride RAG-Pipelines durch eine neue Sicherheitslücke namens „Retrieval Pivot Attacks" anfällig für Datenlecks sind, die durch die unkontrollierte Erweiterung von Vektor- zu Graphendaten entstehen, und demonstriert, dass eine Autorisierung an der Übergangsstelle dieses Risiko effektiv eliminiert.
Die Studie zeigt, dass die Erweiterung eines App-Store-Rankers durch Millionen von mit einem spezialisierten, feinabgestimmten LLM generierten Textrelevanz-Labels die Pareto-Grenze verschiebt und zu signifikanten Verbesserungen sowohl bei der Offline-NDCG als auch bei der weltweiten Konversionsrate führt, insbesondere bei Suchanfragen mit wenig Verhaltensdaten.
Die vorgestellte Arbeit führt die „Isotonic Layer" ein, ein neuartiges, differenzierbares Framework, das durch die Integration stückweiser linearer Anpassungen und lernbarer Embeddings eine universelle, kontextsensitive Entzerrung und Kalibrierung von Empfehlungssystemen ermöglicht und damit systematische Verzerrungen effektiv reduziert.
Die Arbeit stellt die Exploration Space Theory (EST) vor, ein formales Gittertheorie-Framework für ortsbezogene Empfehlungssysteme, das Abhängigkeiten zwischen Sehenswürdigkeiten modelliert und durch die Exploration Space Recommender System (ESRS) strukturell garantierte, valide nächste Schritte sowie effiziente Pfadgenerierung ermöglicht.
Die Arbeit stellt T-REX vor, eine Transformer-Architektur, die durch innovative Techniken wie dynamische Sequenzaufteilung und kausale Maskierung personalisierte Kategorien für die nächste Einkaufsliste im Online-Lebensmittelhandel vorhersagt und dabei bestehende Systeme signifikant verbessert.
Die vorgestellte Arbeit stellt PAG (Projection-Augmented Graph) vor, einen neuen Approximate Nearest Neighbor Search-Rahmen, der durch die Integration von Projektionstechniken in Graph-Indizes gleichzeitig hohe Abfragegeschwindigkeit, schnelle Indexierung, geringen Speicherbedarf und Skalierbarkeit für moderne KI-Anwendungen erreicht und dabei HNSW um das Fünffache übertrifft.
Diese Arbeit zeigt, dass durch den Einsatz voralineierter multimodaler Encoder und eines neuartigen harten kontrastiven Verlusts (HCL) eine state-of-the-art Bild-zu-Form-Wiedergewinnung (IBSR) ohne explizite Ansichtsüberwachung oder Neutrainieren auf Ziel-Datenbanken ermöglicht wird.
Die vorgestellte Arbeit stellt ein skalierbares, domänenunabhängiges Web-Tool vor, das Large Language Models (LLMs) mit parallelen Suchtechniken kombiniert, um manuelle Datenbeschaffung für offene wissenschaftliche Datenbanken zu automatisieren und dabei eine hohe Übereinstimmung mit von Experten kuratierten Datensätzen zu erreichen.
Das Paper stellt Multi-TAP vor, ein neuartiges Framework für die cross-domain-Empfehlung, das durch semantisches Persona-Modelling und zieladaptive Übertragung von Quell-Daten die Heterogenität von Nutzerpräferenzen erfasst und so die Leistung bestehender Methoden übertrifft.
Die Arbeit stellt den PSAD-Framework vor, der durch eine semi-autoregressive Generierung, Online-Wissensdestillation und ein Benutzerprofil-Netzwerk sowohl die Effizienz als auch die Leistung personalisierter Reranking-Modelle in Empfehlungssystemen verbessert.
Die Arbeit stellt einen neuen Tabellenretrieval-Mechanismus namens DCTR vor, der durch feingranulare, typisierte Query-Zerlegung und globale Konnektivitätsbewusstheit die Herausforderungen des offenen Fragebeantwortens über komplexe relationale Datenbanken bewältigt und sich in Benchmarks als robust erweist.