152 Arbeiten
Die Arbeit stellt GFM-Retriever vor, einen neuen Ansatz für GraphRAG, der vortrainierte Graph-Foundation-Modelle und ein informationsbottleneck-basiertes Subgraph-Selektionsverfahren nutzt, um in kältestart-Szenarien minimalere und ausreichend informative Begründungsstrukturen für interpretierbares, mehrstufiges Schlussfolgern zu extrahieren.
Diese Studie stellt einen kollaborativen Ansatz vor, bei dem mehrere lokale Large Language Models durch Mehrheitsvoting eingesetzt werden, um in über 65.000 Fedora-Paketen effizient kryptografisch relevante Software zu identifizieren und so den Übergang zur Post-Quanten-Kryptografie zu unterstützen.
Die Studie stellt PT-RAG vor, ein neuartiges, zweistufiges Framework zur Vorhersage zellulärer Reaktionen auf Gen-Perturbationen, das durch eine differenzierbare, zelltypbewusste Retrieval-Augmented-Generation-Strategie die Generalisierungsfähigkeit bestehender Deep-Learning-Modelle verbessert und zeigt, dass naive Retrieval-Ansätze in diesem Bereich die Leistung sogar verschlechtern können.
Die Arbeit stellt WeDas vor, ein Framework, das durch die Integration von Suchraum-Strukturmerkmalen und einer Few-Shot-Probing-Mechanik die Ausrichtung zwischen agentenbasierten Suchintentionen und den Ergebnissen dynamischer Web-Indizes verbessert, um die Genauigkeit von Deep-Search-Agenten zu steigern.
Das Paper stellt AutoDataset vor, ein leichtgewichtiges, automatisiertes System, das durch kontinuierliche Überwachung von arXiv und den Einsatz einer mehrstufigen Pipeline neue Datensätze aus Forschungsarbeiten extrahiert und indiziert, um die Entdeckung und Suche nach aktuellen Datensätzen für Forscher erheblich zu beschleunigen.
Eine empirische Studie an vier Modellen und fünf Prompting-Regimen zeigt, dass deploymentbedingte Einschränkungen die Halluzination von Zitaten in geschlossenen Umgebungen nicht verhindern, sondern die Verifizierbarkeit von Referenzen drastisch senken, was eine nachträgliche Überprüfung vor der Nutzung in der Softwaretechnik zwingend erforderlich macht.
Diese Systematisierung des Wissens (SoK) stellt das erste einheitliche Rahmenwerk für autonome Retrieval-Augmented-Generation-Systeme vor, indem sie diese als sequenzielle Entscheidungsprozesse formalisiert, eine umfassende Taxonomie und Architekturdekomposition entwickelt, kritische Evaluierungslücken und systemische Risiken analysiert sowie einen Fahrplan für zukünftige Forschungsrichtungen zur Steigerung von Zuverlässigkeit und Skalierbarkeit aufzeigt.
Die Arbeit stellt Dial vor, ein wissensbasiertes Framework für dialektspezifische NL2SQL-Übersetzungen, das durch eine dialektsensible logische Abfrageplanung, eine hierarchische Wissensdatenbank und einen ausführungsbasierten Debugging-Prozess die Genauigkeit und Abdeckung von Datenbankdialekten im Vergleich zu bestehenden Methoden signifikant verbessert.
Das Paper stellt SeDa vor, ein einheitliches Framework, das über 7,6 Millionen Datensätze von mehr als 200 Plattformen integriert, um durch semantische Annotation, eine erweiterbare Tag-Grafik und eine mehrstufige Navigationsstrategie eine vertrauenswürdige und kontextbewusste Entdeckung von Datenquellen zu ermöglichen.
Die Arbeit stellt GP-Tree vor, einen neuen in-Memory-Raumindex, der feinkörnige Gitterzellen in einer Präfixbaumstruktur organisiert und durch Optimierungsstrategien wie das Beschneiden von Bäumen die Abfrageeffizienz für komplexe räumliche Daten im Vergleich zu traditionellen Indizes um eine Größenordnung verbessert.
Diese Arbeit stellt mit RecPilot ein neues Multi-Agenten-Framework vor, das das traditionelle Paradigma der Empfehlungssysteme durch proaktive, agentengesteuerte Forschungsberichte ersetzt, um die Nutzerentscheidung durch tiefgehende Analyse und Synthese zu unterstützen.
Die Arbeit stellt VRec vor, ein neues „reason-verify-recommend"-Paradigma, das durch den Einsatz eines Mischungsverifizierers und eines Proxy-Vorhersageziels die Zuverlässigkeit und Genauigkeit von LLM-basierten generativen Empfehlungssystemen durch verifizierte Zwischenschritte erheblich verbessert.
Die Arbeit stellt SynPlanResearch-R1 vor, ein Framework, das durch synthetisierte Tool-Nutzungspfade die Exploration von Forschungsagenten während des kalten Start-Trainings verbessert und so die Leistung auf mehreren Benchmarks im Vergleich zu bestehenden Methoden signifikant steigert.
Diese Arbeit stellt eine domänenspezifische Graph-Augmentierungstechnik namens Variablensubstitution vor, die die semantische Struktur mathematischer Formeln erhält und so die Leistung von Graph-Contrastive-Learning-Modellen für die mathematische Informationsrückgewinnung im Vergleich zu generischen Strategien signifikant verbessert.
Die Studie argumentiert, dass zwar LLM-basierte Relevanzsysteme das Potenzial haben, die kurzsichtigen Grenzen von Embedding-basierten Verfahren zu überwinden, dies jedoch mit standardmäßigen annotierten Datensätzen nicht nachweisbar ist, da diese Annotationen selbst von derselben Kurzsichtigkeit betroffen sind.
Die Arbeit stellt das UIS-Digger-Framework und den UIS-QA-Benchmark vor, um die bisher vernachlässigte Herausforderung der Suche nach unindexierten Informationen zu adressieren und zeigt, dass ein optimiertes Multi-Agenten-System selbst mit kleineren Modellen leistungsfähiger ist als aktuelle State-of-the-Art-LLMs.
Das Paper stellt SPD-RAG vor, ein hierarchisches Multi-Agenten-Framework, das komplexe Fragen über viele Dokumente hinweg durch eine spezialisierte, pro Dokument arbeitende Agentenarchitektur und eine zentrale Synthese effizienter und kostengünstiger beantwortet als herkömmliche RAG- oder Long-Context-LLM-Ansätze.
Das Paper stellt ERASE vor, ein umfassendes Benchmark für das maschinelle Vergessen in Empfehlungssystemen, das durch realitätsnahe Szenarien, diverse Datensätze und Modelle sowie umfangreiche experimentelle Artefakte die Lücke zwischen aktuellen Forschungsmethoden und praktischen Anforderungen schließt.
Diese Arbeit vereint Online- und Off-Policy-Varianzreduktionsmethoden, indem sie die mathematische Äquivalenz zwischen dem Difference-in-Means-Schätzer und einem optimierten Inverse Propensity Scoring-Schätzer sowie zwischen Regressionsanpassungsverfahren und Doubly Robust-Schätzung nachweist.
Die vorgestellte Methode eliminiert die Notwendigkeit separater Embedding-Modelle für LLM-Agenten, indem sie einen leichten Projektionskopf verwendet, um versteckte Zustände direkt in den Embedding-Raum zu projizieren, und erreicht dabei 97 % der ursprünglichen Suchqualität.