Arbeiten, bei denen die ursprünglichen Autoren unsere verständliche Erklärung begutachtet haben.
Bei jeder Arbeit auf dieser Seite hat mindestens ein/e der ursprünglichen Autor*innen unsere verständliche Erklärung gesehen und begutachtet — entweder durch Bestätigung der Genauigkeit oder durch Korrekturwünsche, die wir anschließend umgesetzt haben. Eine Bestätigung bedeutet keine formelle Freigabe jedes Satzes, aber die Erklärung ist von den Menschen geprüft worden, die das Paper geschrieben haben.
1199 von Autoren geprüfte Arbeiten · 481–490 / 1199
Diese Arbeit etabliert obere und untere Schranken für die asymptotische Dichte von -Golomb-Linealen (Mengen, in denen jede positive Differenz höchstens mal vorkommt) und beweist, dass ihre Größe durch einen Term oberhalb von und durch einen Term unterhalb von beschränkt ist, wobei die Existenz solcher Mengen für Sidon-Mengen bereits vor 70 Jahren von Erdos bewiesen wurde.
Dieses Paper stellt Trajectory-Invariant Latent Refinement (TILR) vor, ein trainingsfreies Framework, das stabile, niederdimensionale invariante Richtungen innerhalb der latenten Trajektorien von Sprachmodellen identifiziert und manipuliert, um die Konsistenz des Schließens signifikant zu verbessern und die Sensitivität gegenüber Paraphrasierung und Störungen zu reduzieren, ohne dabei die Genauigkeit zu beeinträchtigen.
Dieses Paper bietet eine Perspektive auf die theoretische Landschaft der Cuprat-Hochtemperatursupraleitung nach 40 Jahren, wobei es sich auf den wachsenden Konsens um Mechanismen repulsiver Wechselwirkungen konzentriert, drei wesentliche theoretische Schulen skizziert und Anderson's „Dogmen“ angesichts jüngster experimenteller Befunde aktualisiert.
Dieses Paper führt ein einheitliches Framework ein, um datengenerierende Priors für tabellarische Foundation Models unabhängig zu evaluieren und zu vergleichen, indem identische Architekturen auf Aufgaben trainiert werden, die aus verschiedenen Priors abgeleitet sind, was offenbart, dass unterschiedliche Priors die Downstream-Performance und Konsistenz über die bloße Ähnlichkeit auf Datenebene hinaus signifikant beeinflussen.
Diese Arbeit identifiziert und quantifiziert den „Interventionsbias“ bei Zero-Shot-LLM-Bildungsberatern, die im Vergleich zu einem optimalen Oracle fälschlicherweise unnötige Maßnahmen empfehlen, und zeigt auf, dass das über überwachtes Policy-Learning mittels Decision Transformern oder XGBoost durchgeführte Verfahren diesen Bias effektiv eliminiert, während es gleichzeitig eine hohe Genauigkeit und Entscheidungs-Latenzzeiten erreicht, die für den Einsatz in Hochrisikosituationen geeignet sind.
Diese Arbeit benchmarkt systematisch fünf leichte, CPU-fähige Methoden zur Halluzinationserkennung über Aufgabenbereiche wie Beantwortung von Fragen, Dialog und Zusammenfassung hinweg und zeigt auf, dass die Leistung stark aufgabenabhängig ist, wobei Ensemble-Methoden bei der Beantwortung von Fragen exzellieren, NLI-Detektoren im Dialog führen und alle Ansätze bei der Zusammenfassung signifikant versagen.
Dieses Paper führt ein evidenzbasiertes Framework für die kontinuierliche wissenschaftliche Entdeckung mit LLMs ein, welches die statische Bayes’sche Überraschung durch nicht-stationäre, glaubensaktualisierte Surprisal ersetzt und Filterung sowie Diversitätsmaximierung einsetzt, um Scheinbelohnungen zu eliminieren, wodurch die Hypothesenexploration über mehrere Domänen hinweg signifikant verbessert wird.
SurrogateShield ist ein clientseitiger Proxy, der die datenschutzwahrende Interaktion mit LLMs dadurch verbessert, dass er erkannte personenbezogene Daten vor der Übertragung durch lokal generierte, typengerechte Ersatzwerte ersetzt und die Originale in den Antworten wiederherstellt, wodurch die tatsächliche Exposition personenbezogener Daten eliminiert und gleichzeitig die semantische Nützlichkeit im Vergleich zu herkömmlichen Redaktionsmethoden signifikant verbessert wird.
Diese Arbeit stellt fest, dass für jede Multimenge von reellen Zahlen, deren Summe Null ergibt, die Shannon-Entropie der Summe von zufällig gezogenen Elementen durch die Entropie einer Bernoulli- Zufallsvariablen mit dem Mittelwert nach unten beschränkt ist, was ein scharfes Ergebnis darstellt, das als entropischer Analogon zur Manickam-Miklós-Singhi-Vermutung dient.
Diese Arbeit zeigt, dass leichtgewichtige Sonden, die auf den internen Feedforward-Aktivierungen von OpenVLA trainiert wurden, effektiv kurzfristige Aufgabenfehler vorhersagen können, die durch visuelle Distributionsverschiebungen wie Okklusion verursacht werden, wobei eine hohe Genauigkeit erreicht wird, ohne Änderungen an der zugrunde liegenden Policy zu erfordern.