154 Arbeiten
Das Paper stellt TURA vor, ein dreistufiges Framework, das Retrieval-Augmented Generation (RAG) mit agentenbasiertem Werkzeuggebrauch kombiniert, um in einer industriellen KI-Suchumgebung sowohl statische Inhalte als auch dynamische, Echtzeit-Informationen effizient und mit niedriger Latenz zu verarbeiten.
Die Studie zeigt, dass die theoretischen Grenzen von Embedding-basierten Retrieval-Modellen durch ihre Dimensionalität bedingt sind und selbst bei einfachen, realistischen Anfragen bestehen bleiben, was die Notwendigkeit neuer Ansätze jenseits des Single-Vector-Paradigmas unterstreicht.
Der Artikel stellt Mobile-Agent-RAG vor, ein hierarchisches Multi-Agenten-Framework, das durch die Integration von zweistufiger Wissensabrufunterstützung (RAG) strategische Halluzinationen bei der Planung und operative Fehler bei der Ausführung auf mobilen Geräten reduziert und so die Erfolgsrate bei langfristigen, anwendungsübergreifenden Aufgaben signifikant steigert.
Die Arbeit stellt PosIR vor, das erste standardisierte Benchmark zur systematischen Diagnose von Positionsverzerrungen in heterogenen Informationsabrufsystemen, das durch eine längenkontrollierte Bucketing-Strategie über 310 Datensätze in 10 Sprachen hinweg zeigt, dass Embedding-Modelle anfällig für Positionsverzerrungen sind und ihre Leistung bei langen Dokumenten oft schlecht mit etablierten Benchmarks korreliert.
Die Arbeit stellt SLATE vor, ein Framework für retrieval-gestütztes Reasoning, das durch abgeschnittenes stufenweises Sampling und dichte, dekomponierte LLM-basierte Belohnungen das Kredit-Zuweisungsproblem löst und die Varianz der Policy-Gradienten im Vergleich zu bestehenden Methoden signifikant reduziert.
Die Arbeit stellt Geodesic Semantic Search (GSS) vor, ein System, das durch das Erlernen lokaler Riemannscher Metriken auf Zitationsgraphen geometrieaware semantische Suchen ermöglicht und dabei im Vergleich zu herkömmlichen euklidischen Baselines signifikant bessere Recall-Werte bei interpretierbaren Zitationspfaden und reduzierten Rechenkosten erzielt.
Die Studie stellt OpenSanctions Pairs, einen großen Datensatz für das Entity Matching vor, und zeigt, dass große Sprachmodelle (LLMs) die bestehende regelbasierte Produktionslösung in Bezug auf die Genauigkeit deutlich übertreffen, was einen Paradigmenwechsel hin zu verbesserten Pipeline-Komponenten wie Blocking und Clustering nahelegt.
Die vorgestellte Arbeit stellt MDER-DR vor, ein neues Framework für die mehrstufige Fragebeantwortung, das durch eine innovative Indexierung (MDER) und einen dekomponierenden Abrufmechanismus (DR) die Nachteile herkömmlicher RAG-Systeme überwindet und signifikante Leistungssteigerungen bei der Beantwortung komplexer Fragen aus Wissensgraphen erzielt.
Diese Arbeit erweitert das Konzept des Informationssinns um ein sequenzielles Entscheidungsmodell unter Gedächtnisbeschränkungen, das das trial-and-error-Verhalten von Nutzern bei der Navigation durch vorschnelle Linkauswahl und Rückwärtsbewegungen erklärt.
Diese Studie untersucht, wie methodische Entscheidungen bei der Auditierung von YouTube-Empfehlungsalgorithmen die Genauigkeit der Ergebnisse beeinflussen, und identifiziert kosteneffiziente Konfigurationen, die ohne Verlust an Validität durchgeführt werden können.
Die Studie stellt Agent-OM vor, ein neuartiges Framework für das Ontologie-Matching, das zwei Siamese-Agenten und LLM-Tools nutzt, um bei komplexen und Few-Shot-Aufgaben signifikante Verbesserungen gegenüber bestehenden Systemen zu erzielen.
Das Paper stellt LEXA vor, ein auf CaseGNN aufbauendes Modell für die juristische Fallretrieval, das durch den Einsatz von Graph-Attention-Schichten, graphbasiertem kontrastivem Lernen und kontextualisierten Embeddings von Large Language Models die strukturellen Informationen juristischer Dokumente besser nutzt und damit den aktuellen State-of-the-Art-Methoden überlegen ist.
Diese Arbeit stellt ein neuartiges, parametrenfreies Heuristikverfahren für das als NP-vollständig bewiesene Problem der Vektorretrieval mit Ähnlichkeit und Vielfalt (VRSD) vor, das die Leistung bestehender Methoden wie MMR und k-DPP in wissenschaftlichen QA-Aufgaben übertrifft.
Die Studie stellt AMPEND-LS vor, ein agentices Multi-Persona-Framework, das durch die Synergie von LLMs und SLMs sowie eine evidenzbasierte Reasoning-Pipeline multimodale Fake News genauer und erklärbarer erkennt als bisherige Methoden.
Die Arbeit stellt eine skalierbare Erweiterung von CopulaGNN für die Vorhersage von Kantensignalen in signierten Graphen vor, die durch die effiziente Parametrisierung der Korrelationsmatrix und eine reformulierte bedingte Wahrscheinlichkeitsverteilung die rechnerische Komplexität reduziert und gleichzeitig eine schnelle Konvergenz sowie wettbewerbsfähige Leistung erzielt.
Diese scientometrische Studie analysiert die globale Forschungslandschaft zur aviären Influenza von 2014 bis 2023 anhand von Web-of-Science-Daten und identifiziert dabei einen stetigen Anstieg der Publikationen mit führender Beteiligung Chinas und der USA sowie die Notwendigkeit verstärkter internationaler Zusammenarbeit.
Die Studie zeigt, dass das gezielte Lernen von Embedding-Magnituden durch getrennte Normalisierung von Abfragen und Dokumenten die Leistung von Retrieval- und RAG-Systemen, insbesondere bei der Out-of-Domain-Generalisierung, signifikant verbessert, während dies für Aufgaben mit austauschbaren Eingaben wie STS oder CLIP weniger relevant ist.
Die Arbeit stellt Pailitao-VL vor, ein einheitliches, multimodales Suchsystem für die Industrie, das durch einen Wechsel von kontrastivem Lernen zu einer absoluten ID-Erkennung und eine kalibrierte, listenbasierte Neuordnung sowohl die Präzision als auch die Echtzeit-Effizienz bei der Produktsuche auf der Alibaba-Plattform signifikant verbessert.
Die Arbeit stellt DPR (Decoupled Promptable Sequential Recommendation) vor, ein modellunabhängiges Framework, das herkömmliche sequenzielle Empfehlungssysteme durch die direkte Modulation latenter Benutzerrepräsentationen mittels natürlicher Sprache befähigt, explizite Nutzerabsichten zu berücksichtigen, ohne dabei die Effizienz kollaborativer Signale zu verlieren.
Die Arbeit stellt SearchGym vor, eine modulare Infrastruktur für plattformübergreifendes Benchmarking und hybride Suchorchestrierung, die durch die Entkopplung von Datenrepräsentation und Retrieval-Logik reproduzierbare Systemkonfigurationen ermöglicht und neue Erkenntnisse zur optimalen Reihenfolge von semantischer Rangfolge und strukturiertem Filtern liefert.