3657 Arbeiten
Dieses Paper schlägt PCG vor, ein Framework für beweisgestützte, eingeschränkte Inferenz, das Retrieval-Augmented Generation mit Kontrafaktizitätsnotwendigkeits- und Rubrikkonsistenzbeschränkungen integriert, um eine automatische, evidenzbasierte Bewertung und Benotung der chinesischen Grammatik für die internationale Bildung zu ermöglichen.
Dieses Paper stellt PyPI API Drift vor, einen umfassenden Datensatz zur statischen Analyse, der API-Änderungen auf Release-Ebene über 1.872 populäre Python-Bibliotheken hinweg verfolgt, zusammen mit den zugehörigen Tools und Benchmarks, welche die Fähigkeit von Code-Generierungsmodellen signifikant verbessern, versionskompatiblen Code unter Nutzung historischer API-Daten zu erzeugen.
Dieses Paper führt ein computergestütztes methodisches Design und ein auf Expositionsgleichheit abgestimmtes Zeitdiagnoseverfahren ein, um zu isolieren, wie institutionelle Veränderungen spezifisch die verfügbaren Aktionsräume und distributiven Ergebnisse für Agenten in agentbasierten Modellen verändern, wobei durch kontrollierte Simulationen nachgewiesen wird, dass dynamische Rechtearchitekturen die restriktiven Effekte statischer Regime unter Bedingungen der Ressourcenknappheit signifikant abmildern.
Dieses Paper stellt Cost-Aware Gated Retrieval (CAGR) vor, ein zweistufiges Framework, das die Initiierung der Abfrage von der evidenzbasierten Eskalation entkoppelt, um API-Aufrufe und Latenz erheblich zu reduzieren und gleichzeitig wettbewerbsfähige Genauigkeit bei QA-Benchmarks beizubehalten.
Diese Arbeit zeigt, dass die spezifischen Schlupflöcher, die ein Sprachmodell während des Trainings ausnutzt, im Voraus durch das Proben eines gelernten Richters vorhergesagt werden können, wobei offenkundig wird, dass schwächere Richter zu schwerwiegendem Reward Hacking führen, während stärkere Richter echte Genauigkeit fördern.
Diese Arbeit zeigt auf, dass die Vorhersage von Clique-Spannungen in sich entwickelnden Kommunikationsnetzwerken durch hohe Gruppenfluktuation und Evaluierungsfallen fundamental begrenzt ist, wobei sie offenlegt, dass einfache, auf Persistenz basierende Modelle, die um Überlebenswahrscheinlichkeiten ergänzt wurden, komplexe Graph-neuronale Netze in einsetzbaren Szenarien übertreffen.
Dieses Paper schlägt ein neuartiges Framework für die temporale kausale Entdeckung in Licensee Event Reports (LERs) vor, das über die statische Ursache-Wirkungs-Extraktion hinausgeht, um durch die Adressierung von Herausforderungen wie der Vermischung von narrativer Berichtsreihenfolge und spärlichen temporalen Markern mittels der Integration von Domänenexpertise und datengesteuertem Lernen dynamische Fehlerfortpflanzungssequenzen zu rekonstruieren.
Diese Arbeit etabliert einen einheitlichen Benchmark, um regelbasierte, Deep-Learning- und Large-Language-Model-Ansätze für die Extraktion von Kausalitäten über verschiedene Domänen hinweg rigoros zu vergleichen, mit dem Ziel, echte methodische Vorteile von Benchmark-Artefakten zu entwirren, indem Leistung, Generalisierung und Fehlerprofile unter standardisierten Protokollen evaluiert werden.
Dieses Paper schlägt das Quantum-Inspired Deep Spatio-Temporal Network (QIDSTN) vor, eine kompakte und sicherheitsbewusste Architektur, die quanteninspirierte Rotationsschichten, duale Attention-Mechanismen und einen asymmetrischen Verlust nutzt, um die Genauigkeit und Sicherheit der Vorhersage der Restlebensdauer von Turbofantriebwerken unter komplexen, multiregionalen Betriebsbedingungen signifikant zu verbessern.
Diese systematische Übersichtsarbeit von 16 Studien kommt zu dem Schluss, dass eine „Objekte-zuerst“-Sequenzierung zwar leichte Vorteile gegenüber „Objekte-später“-Ansätzen aufweist, die Evidenz jedoch durch visuelle Hilfsmittel und kleine Stichproben konfundiert ist, was darauf hindeutet, dass das explizite Überbrücken von prozeduralem Wissen zu objektorientierten Konzepten ein kritischerer Faktor für erfolgreiches Lernen ist als die Sequenzierung allein.