154 Arbeiten
Die Studie stellt FinRetrieval vor, einen Benchmark für die Fähigkeit von KI-Agenten, numerische Finanzdaten aus strukturierten Datenbanken zu extrahieren, und zeigt, dass die Verfügbarkeit spezialisierter APIs den Erfolg entscheidend bestimmt, während reine Web-Suche oder Reasoning-Modi nur geringe Vorteile bieten.
Diese Studie validiert einen Large-Language-Model-Ansatz, der durch die Analyse von über 16.000 TripAdvisor-Bewertungen verborgene Treiber der Passagierzufriedenheit aufdeckt und dabei eine kritische Diskrepanz zwischen operativen Verbesserungen und der sinkenden Zufriedenheit bei EgyptAir nach 2022 identifiziert.
Die Studie untersucht den Einfluss zeitlicher Korpusveränderungen auf das Retrieval-Benchmark FreshStack und zeigt, dass trotz Dokumentenmigrationen die Evaluierungsergebnisse über verschiedene Zeitpunkte hinweg stabil und zuverlässig bleiben.
Das Paper stellt iAgentBench vor, ein dynamisches Benchmark für offene Fragen, das die Fähigkeit von Informationsagenten bewertet, Beweise aus mehreren Quellen auf hochrelevanten Themen zu integrieren und zu synthetisieren, anstatt sich auf die bloße Extraktion einzelner Passagen zu verlassen.
Die Arbeit stellt CONE vor, ein hybrides Transformer-Modell, das durch eine neuartige Composite-Embedding-Methode Zahlen, Bereiche und Gauß-Verteilungen zusammen mit ihren Einheiten und Attributnamen semantisch korrekt kodiert und damit in umfangreichen Experimenten überlegene numerische Schlussfolgerungsfähigkeiten sowie signifikant bessere Ergebnisse als bisherige State-of-the-Art-Modelle erzielt.
Die Arbeit stellt DARE vor, ein leichtgewichtiges Retrieval-Modell, das durch die Integration von Datenverteilungsmerkmalen in die Repräsentation von R-Funktionen die Genauigkeit der Paketwiedergewinnung und die Leistung von LLM-Agenten im statistischen Ökosystem von R signifikant verbessert.
Diese Arbeit stellt die erste systematische Untersuchung von Skalierungsgesetzen für Reranker in mehrstufigen Information-Retrieval-Systemen vor und zeigt, dass die Leistung von Punkt-, Paar- und Listen-basierten Ansätzen vorhersagbaren Potenzgesetzen folgt, was eine ressourcenschonende Prognose der Skalierbarkeit größerer Modelle ermöglicht.
Diese Arbeit stellt ein neuartiges Netzwerk zur multimodalen Fusion von Text und Bild vor, das durch domänenspezifisches Fine-Tuning und eine zweistufige Ausrichtung die Leistung von Suchsystemen im E-Commerce signifikant verbessert.
Diese Studie entwickelt eine Taxonomie für Werbestile in RAG-Systemen, simuliert Umgehungsversuche und zeigt, dass zwar Modelle auf Basis der Entitätserkennung robust gegen Stiländerungen sind, leichtere Modelle jedoch versagen, was weitere effizienzorientierte Forschung für die praktische Werbeblockade erfordert.
Die Arbeit stellt eine neue Methode namens Time-aware Inverse Propensity Scoring (TIPS) vor, die durch die Berücksichtigung sequenzieller Abhängigkeiten und zeitlicher Dynamiken Verzerrungen in der sequenziellen Empfehlung verbessert und damit die Vorhersagegenauigkeit bestehender Modelle als Plug-in erhöht.
Die vorgestellte Arbeit schlägt vor, die in GraphRAG übliche Leiden-Clustering-Methode durch eine deterministische und effiziente k-Core-Zerlegung zu ersetzen, um auf spärlichen Wissensgraphen reproduzierbare Hierarchien zu erzeugen, die die Antwortqualität verbessern und gleichzeitig die Token-Kosten senken.
Die vorgestellte Forschung entwickelt ein innovatives System, das Large Language Models mit dem ANU Scholarly Knowledge Graph und einem Deep Document Model kombiniert, um semantische Abfragen zu wissenschaftlichen Arbeiten der Informatik an der ANU präziser und effizienter zu verarbeiten.
Diese Studie bietet eine systematische, einheitlich bewertete Gegenüberstellung von RAG und GraphRAG auf Text-Benchmarks, identifiziert deren jeweilige Stärken und Schwächen und leitet daraus integrierte Strategien sowie kritische Designhinweise für zukünftige Systeme ab.
Das Paper stellt OSCAR vor, eine neuartige Online-Methode zur weichen Kompression und Neuordnung von Suchergebnissen, die die Rechenkosten von Retrieval-Augmented Generation (RAG) erheblich senkt, ohne dabei die Genauigkeit von Large Language Models zu beeinträchtigen.
Das Paper stellt PinRec vor, ein skalierbares, generatives Retrieval-Modell für Pinterest, das durch outcome-konditionierte und multi-token Generierung die Balance zwischen Geschäftszielen, Vielfalt und Effizienz in industriellen Empfehlungssystemen ermöglicht.
Die vorgestellte Arbeit stellt Co-Evolutionary Alignment (CoEA) vor, eine Methode, die durch ein Dual-Stable Interest Exploration-Modul und einen Periodic Collaborative Optimization-Mechanismus die Verzerrungen bei der Interessenmodellierung und statische Optimierungsprobleme in LLM-basierten Empfehlungssystemen adressiert, um eine dynamische, geschlossene Schleife für serendipitäre Empfehlungen zu ermöglichen.
Die Arbeit stellt mit PDR-Bench den ersten Benchmark zur Evaluierung personalisierter Deep-Research-Agenten vor, der 250 realistische Nutzer-Aufgaben-Paare mit einem neuen Bewertungsrahmen kombiniert, um Personalisierung, Inhaltsqualität und faktische Zuverlässigkeit zu messen.
Die Arbeit stellt REVISION vor, ein Framework, das durch die Kombination von offline-gestützter Implizit-Intent-Mining mit großen Modellen und einer online-optimierten Entscheidungsfindung die Diskrepanz zwischen Nutzerabsicht und Suchsystem in Taobos visuellen Suchsystemen adressiert und so die Nicht-Klick-Rate signifikant senkt.
Die Arbeit stellt DevRev-Search vor, einen automatisiert erstellten Benchmark für die technische Kundenunterstützung, der durch eine indexerhaltende Anpassungsstrategie, bei der nur der Query-Encoder feinabgestimmt wird, eine skalierbare und effiziente Lösung für die Domain-Adaption in Multi-Tenant-Suchsystemen bietet.
Das Paper stellt GR4AD vor, ein produktionsreifes generatives Empfehlungssystem für Kuaishous großflächige Werbung, das durch innovative Komponenten wie UA-SID-Tokenisierung, LazyAR-Decodierung und RSPO-Optimierung eine signifikante Umsatzsteigerung bei gleichzeitiger effizienter Echtzeit-Skalierung ermöglicht.