154 Arbeiten
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.
Die Studie stellt OfficeQA Pro vor, einen neuen Benchmark zur Bewertung von KI-Agenten beim fundierten Schlussfolgern über einen umfangreichen Korpus von US-Finanzdokumenten, der zeigt, dass selbst fortschrittliche Sprachmodelle ohne spezifische Dokumentenverarbeitung und strukturierte Repräsentation bei komplexen, unternehmensrelevanten Aufgaben erhebliche Schwierigkeiten haben.
Dieser Übersichtsartikel beleuchtet verschiedene Forschungsansätze zur Erklärbarkeit und Interpretierbarkeit von Deep-Learning-Modellen im Bereich der Textverarbeitung und Informationsrückgewinnung, mit einem Fokus auf Methoden wie Wort-Embeddings, Transformer und BERT, und schließt mit Vorschlägen für zukünftige Forschungsrichtungen.
Die Arbeit stellt ADC-SID vor, ein Framework zur adaptiven Entfilterung von kollaborativen Informationen für die Generierung semantischer IDs, das durch eine adaptive Ausrichtung von Verhalten und Inhalt sowie eine dynamische Gewichtung verhaltensbasierter IDs die Rauschproblematik bei Langschwanzelementen in Empfehlungssystemen effektiv adressiert.
Die Studie zeigt, dass die Reihenfolge der Bewertung (zunächst Sterne oder Text) die Urteilsbildung von Verbrauchern durch affektive Heuristiken und kognitiven Aufwand polarisiert, wobei dieser Effekt je nach Servicequalität und Produktart variiert und durch große Datenanalysen von Yelp und Letterboxd bestätigt wird.
Die Studie zeigt, dass reasoning-basierte Reranker im Vergleich zu herkömmlichen Ansätzen weder die Fairness in Suchergebnissen verbessern noch verschlechtern, sondern deren Fairness-Eigenschaften aus dem Eingangsranking weitgehend unverändert übernehmen.
Die Arbeit stellt zwei neue Architekturen, AttnLFA und AttnMVP, vor, die durch die Beseitigung ineffizienter Interleaving-Mechanismen und die explizite Modellierung kausaler Abhängigkeiten zwischen Artikeln und Aktionen die Effizienz und Leistung von generativen Empfehlungssystemen signifikant steigern.
Die Arbeit stellt Differentiable Geometric Indexing (DGI) vor, einen Ansatz zur Lösung von Optimierungsblockaden und geometrischen Konflikten im generativen Retrieval durch operative Vereinheitlichung und isotrope geometrische Optimierung, der auf großen Datensätzen überlegene Ergebnisse, insbesondere bei Long-Tail-Items, erzielt.
Die vorgestellte Arbeit schlägt ein einheitliches Framework vor, das durch die Kombination globaler Langzeitpräferenzen und lokaler, stufenweiser temporaler Subgraphen mit LSTM- und Self-Attention-Komponenten die dynamische Entwicklung von Nutzerinteressen für eine zeitnahe und relevantere Nachrichtenempfehlung modelliert.
Die Arbeit stellt einen neuen Rahmen vor, der durch die semantische Analyse von Agenten-Executionspfaden und die Generierung kontextspezifischer Lernhinweise die Fähigkeit von LLM-Agenten zur Selbstverbesserung durch gezieltes Abrufen von Erfahrungswissen signifikant steigert.
Die Arbeit stellt ExBI vor, ein neues System, das mithilfe eines Hypergraphen-Datenmodells und sampling-basierter Algorithmen die Grenzen traditioneller Business-Intelligence-Systeme überwindet, indem es dynamische Schemata ermöglicht und bei gleichbleibend hoher Genauigkeit signifikante Geschwindigkeitsvorteile gegenüber etablierten Datenbanken wie Neo4j und MySQL erzielt.
Die Arbeit stellt TriRec vor, ein bahnbrechendes Drei-Parteien-Framework für agentenbasierte Empfehlungssysteme, das durch die Koordination von Nutzerbedürfnissen, Item-Exposition und Plattform-Fairness mittels LLM-Agenten sowohl die Genauigkeit als auch die Fairness verbessert und dabei das traditionelle Zielkonflikt-Paradigma zwischen Relevanz und Fairness in Frage stellt.
Die Studie zeigt, dass die Integration von strukturierten Linked-Data-Elementen wie Schema.org-Markup und agentenoptimierten Entitätsseiten die Genauigkeit und Vollständigkeit von Retrieval-Augmented-Generation-Systemen im Vergleich zu reinem Fließtext erheblich verbessert.
Das Paper stellt RAGPerf vor, ein Open-Source-Framework zur umfassenden End-to-End-Leistungsbewertung von Retrieval-Augmented-Generation-Systemen, das durch modulare Komponenten, flexible Konfiguration und automatisierte Metrikenerfassung detaillierte Analysen ermöglicht, ohne nennenswerten Overhead zu verursachen.
Diese Studie stellt einen interpretierbaren, LLM-gestützten Ansatz zur Identifizierung chinesischer Metaphern vor, der verschiedene Protokolle als ausführbare Regel-Skripte operationalisiert und zeigt, dass die Wahl des Protokolls die größte Variationsquelle darstellt, während gleichzeitig vollständige Transparenz und reproduzierbare Begründungen gewährleistet werden.
Diese Arbeit stellt ein großes zweisprachiges Korpus mit Katalogdatensätzen und einer maschinenlesbaren GND-Taxonomie vor, um ontologiebewusste Multi-Label-Klassifikation und agentengestützte Katalogisierung zu ermöglichen, wobei die Evaluierung nicht nur die Genauigkeit, sondern auch den praktischen Nutzen und die Transparenz von KI-Systemen für Bibliothekare in den Vordergrund stellt.
Die Arbeit stellt PharmGraph-Auditor vor, ein hybrides System, das eine vertrauenswürdige pharmazeutische Wissensbasis und eine evidenzbasierte Verifikationskette nutzt, um die Sicherheit und Nachvollziehbarkeit bei der Arzneimittelverifikation durch Apotheker zu gewährleisten und dabei die Grenzen von reinen Sprachmodellen zu überwinden.
Diese Studie analysiert systematisch den Einfluss von Feedback-Quelle und Feedback-Modell auf die Wirksamkeit von Pseudo-Relevance-Feedback mit großen Sprachmodellen und zeigt, dass die Wahl des Feedback-Modells entscheidend ist, wobei LLM-generierter Text die kosteneffizienteste Lösung darstellt, während Korpus-basiertes Feedback bei starken Erststufen-Retrievern am vorteilhaftesten ist.
Die Arbeit stellt LLMGreenRec vor, ein neuartiges Multi-Agenten-System auf Basis von Large Language Models, das durch die Analyse von Nutzerabsichten nachhaltige Produktempfehlungen für den E-Commerce generiert und gleichzeitig den digitalen CO₂-Fußabdruck minimiert.
Die Arbeit stellt „Reading Activity Traces" (RATs) vor, ein Konzept, das Lesen als eigenständige kreative Tätigkeit begreift und durch die Sichtbarmachung von Lese- und Interpretationspfaden – exemplarisch am WikiRAT-Projekt – den Verlust menschlicher Deutungsarbeit angesichts zunehmender Automatisierung durch Algorithmen und KI adressiert.