3775 Arbeiten
Diese Studie zeigt, dass die Integration von Wissensgraphen mit großen Sprachmodellen durch einen Design Science Research-Ansatz pädagogische Halluzinationen effektiv einschränkt und die logische Validität in der Bildungs-KI durch die proaktive Beschränkung der generativen Aktionsräume mittels symbolischer semantischer Strukturen erzwingt.
Das Papier schlägt FACT-SR vor, ein skaleninvariantes Multi-Task-Learning-Framework, das das aspektbasierte Sentiment-Reasoning verbessert, indem es Treuebeschränkungen für die Generierung von Begründungen erzwingt und eine neuartige automatische Gewichtslernstrategie einsetzt, um heterogene Ziele auszubalancieren, was zu einer überlegenen Klassifizierungsleistung und Reasoning-Zuverlässigkeit über verschiedene Modellskalen hinweg führt.
Diese Arbeit analysiert MTEB-Ergebnisse, um aufzuzeigen, dass leistungsstarke Embedding-Modelle dazu neigen, eine größere Aufgabenkonsistenz als eng optimierte Modelle aufzuweisen, wobei die Modellskalierung allein keine solche Balance garantiert, was zu einer Forderung nach der Angabe der Leistungsdispersion neben den aggregierten Werten für eine bessere Modellauswahl führt.
Dieses Paper kritisiert die Unzulänglichkeiten des aktuellen EU-Standards für algorithmische Erklärbarkeit sowie bestehender Minderungs- oder Substitutionsansätze und schlägt stattdessen einen bedarfsorientierten Rahmen vor, der den Standard durch die Kategorisierung von Erklärungsbedarfen basierend auf Akteurskontrollpunkten rekonstruiert und diese durch praktikable Substitutionsschemata realisiert.
Diese Studie zeigt, dass während adaptive Gating-Mechanismen während der Kreuzvalidierung überlegen zu sein scheinen, eine einfache Merkmalskonkatenation tatsächlich eine robustere und generalisierbarere Leistung für die multimodale Depressionserkennung bei ungesehenen Teilnehmern liefert, was verdeutlicht, dass ein strenger Generalisierungstest kritischer ist als architektonische Komplexität für kleine klinische Datensätze.
Das Papier stellt CLEAR vor, ein einheitliches Framework, das hierarchische Token-Kompression, spärliche Attention-Orchestrierung und dynamisches Speichermanagement kombiniert, um effizientes Long-Context-Reasoning in großen Sprachmodellen zu ermöglichen, wobei signifikante Reduktionen der Rechenkomplexität und des Speicherverbrauchs bei gleichbleibend hoher Genauigkeit in Long-Context-Benchmarks erzielt werden.
Diese Studie analysiert fünfzig Jahre wissenschaftlicher Titeldaten, um zu zeigen, dass die Verwendung von Doppelpunkten zwar eine langjährige Konvention ist, die an Häufigkeit zunimmt, große Sprachmodelle jedoch Titel mit signifikant höheren Doppelpunktfrequenzen als menschliche Autoren generieren, ein Muster, das prompt-sensitiv ist und die Performance des Retrieval-Rankings beeinflusst.
Dieses Paper schlägt eine auf ResNet basierende Detektionsmethode vor, die Active Network Flow Watermarking (ANFW)-Angriffe im Tor-Netzwerk identifiziert, indem sie Verhaltensänderungen im Datenverkehr analysiert, um zwischen normalen und anomalen Flows zu unterscheiden, und dadurch die Anonymität von Tor gegen Rückverfolgung verbessert.
Dieses Paper stellt PACE vor, ein Framework für Smart Contracts, das eine zustandskonsistente Multi-Party-Autorisierung gewährleistet, indem es kollektive Entscheidungen durch ein zweistufiges gitterbasiertes Signaturverfahren an aktive Richtlinien und Ausführungskontexte bindet und dadurch die Konsistenz über Richtlinie, Entscheidung, Anfrage und Ausführung hinweg sicherstellt, während gleichzeitig stabile Verifizierungskosten beibehalten werden.
Das Paper schlägt CGH-DehazeNet vor, ein leichtgewichtiges Netzwerk zur Entnebelung eines einzelnen Bildes, das einen Channel Grouping Half-Convolution-Block für die Recheneffizienz und ein Cross-Attention Refinement Fusion-Modul zur Artefaktunterdrückung kombiniert und dabei mit nur 1,932M Parametern eine State-of-the-Art-Leistung erzielt.