154 Arbeiten
AriadneMem ist ein strukturiertes Speichersystem für LLM-Agenten, das durch eine zweiphasige Pipeline mit Entropie-basiertem Filtern, konfliktbewusster Vergröberung und algorithmischer Brückenfindung die Genauigkeit bei mehrstufigen Schlussfolgerungen signifikant steigert und gleichzeitig die Laufzeit drastisch reduziert.
Die Arbeit stellt MA-RAG vor, ein Multi-Round-Agentic-RAG-Framework, das durch die iterative Umwandlung von semantischen Konflikten in gezielte Suchanfragen und die Optimierung von Reasoning-Verläufen die medizinische Schlussfolgerung verbessert und auf sieben Benchmarks eine durchschnittliche Genauigkeitssteigerung von 6,8 Prozentpunkten gegenüber dem Basismodell erzielt.
Die Arbeit stellt PlugMem vor, ein auf kognitiver Wissenschaft basierendes, aufgabenunabhängiges Plugin für LLM-Agenten, das episodische Erinnerungen in einen kompakten, wissenszentrierten Graphen umwandelt, um die Effizienz und Genauigkeit des Langzeitgedächtnisses über verschiedene Aufgaben hinweg zu verbessern.
Diese Arbeit schlägt ein Multi-Agenten-RAG-Framework vor, das große Sprachmodelle, spezialisierte Agenten zur Qualitätskontrolle und visuelle Modelle zur Textumwandlung von Diagrammen integriert, um das Wissensmanagement und die Personalentwicklung in staatlichen Straßenbauämtern durch kontextbewusste, evidenzbasierte Antworten zu verbessern.
Diese Forschung stellt ein hybrides Framework vor, das Large Language Models (LLMs) zur semantischen Inhaltsanalyse mit VARK-basierten kognitiven Profilen kombiniert, um die Kaltstartproblematik in Empfehlungssystemen zu überwinden und personalisierte, erklärbare Empfehlungen bereits bei minimalen Nutzerdaten zu generieren.
MemSifter ist ein effizientes Framework, das die Speicherabrufleistung von Large Language Models durch einen kleinen Proxy-Modell, der mittels outcome-basiertem Reinforcement Learning optimiert wird, verbessert und dabei Kosten sowie Latenz reduziert.
Die Autoren stellen Graph Hopfield Networks vor, ein energiebasiertes Modell für die Knotenklassifizierung, das assoziatives Gedächtnis mit Graph-Laplacien-Glättung kombiniert und durch einen iterativen Energieabstieg sowohl auf spärlichen Zitationsnetzwerken als auch unter Feature-Masking signifikante Verbesserungen gegenüber bestehenden Baselines erzielt.
Die Arbeit stellt SafeCRS vor, ein Sicherheitsrahmenwerk für LLM-basierte konversationsbasierte Empfehlungssysteme, das durch die Einführung des SafeRec-Datensatzes und die Kombination von Safe-SFT mit Safe-GDPO personalisierte Sicherheitsrisiken wie Trauma-Trigger effektiv minimiert, ohne dabei die Empfehlungsqualität zu beeinträchtigen.
Die Arbeit stellt AgentSelect vor, ein umfassendes Benchmark-System, das die Auswahl von LLM-Agenten als Empfehlungsaufgabe neu definiert und durch eine einheitliche Datensammlung sowie neue Evaluierungsmethoden die Lücke zwischen isolierten Komponentenbewertungen und der praxisnahen, abfragebasierten Konfiguration ganzer Agentensysteme schließt.
Die Arbeit stellt HAP vor, einen heterogenitätsbewussten Ansatz für das Pre-Ranking in Empfehlungssystemen, der durch die Trennung einfacher und schwieriger Kandidaten sowie eine adaptive Ressourcenallokation Gradientenkonflikte löst und ohne zusätzliche Rechenkosten zu signifikanten Verbesserungen in der Produktion führt.
Das Paper stellt DisenReason vor, ein zweistufiges Verfahren zur sequenziellen Empfehlung in gemeinsam genutzten Konten, das durch Frequenzbereichs-Disentanglement eine kollektive Kontenrepräsentation erstellt und diese zur latenten Inferenz der Anzahl der Nutzer sowie deren Interessen nutzt, um die Empfehlungsgenauigkeit signifikant zu steigern.
Die Arbeit stellt LabelBuddy vor, ein Open-Source-Tool für die kollaborative Audio-Annotation, das durch containerisierte KI-Modelle und Large Audio Language Models die Lücke zwischen menschlicher Intention und maschinellem Verständnis in der Musikinformationsgewinnung schließt.
Das Paper stellt -Knowledge vor, eine neue Benchmark, die die Fähigkeiten von konversationalen Agenten in komplexen, wissensintensiven Szenarien wie dem Fintech-Support bewertet und dabei zeigt, dass selbst fortschrittliche Modelle Schwierigkeiten haben, unstrukturierte Wissensbestände mit Werkzeugen zu koordinieren, um zuverlässige, policy-konforme Ergebnisse zu erzielen.
Diese Studie analysiert ein zehnjähriges YouTube-Datenset und stellt fest, dass Affiliate-Marketing zwar weit verbreitet ist, die Einhaltung der FTC-Vorschriften zur Offenlegung jedoch gering bleibt, wobei plattformseitige Standardisierungsfunktionen als wirksames Mittel zur Verbesserung der Compliance identifiziert werden.