144 artículos
El artículo presenta GFM-Retriever, un enfoque que utiliza modelos fundamentales de grafos preentrenados y un selector de subgrafos optimizado mediante el principio de cuello de botella de información para recuperar subgrafos mínimos y suficientes que mejoran el razonamiento y la generación de respuestas en escenarios de GraphRAG sin necesidad de datos etiquetados.
Este artículo presenta un marco colaborativo basado en modelos de lenguaje grandes (LLM) que opera localmente para identificar de manera eficiente paquetes de software relevantes para la criptografía en entornos heterogéneos, facilitando así la transición hacia la criptografía postcuántica mediante la reducción de la carga de trabajo manual.
El artículo presenta PT-RAG, un marco novedoso de generación aumentada por recuperación que utiliza un proceso de dos etapas con recuperación diferenciable y consciente del tipo celular para superar las limitaciones de generalización de los enfoques actuales y predecir con mayor precisión las respuestas celulares a las perturbaciones genéticas.
El artículo presenta WeDas, un marco que mejora a los agentes de investigación profunda al integrar las características estructurales de la distribución de contenido web y utilizar un mecanismo de sondeo para alinear dinámicamente las intenciones de razonamiento con los resultados de búsqueda, superando así las limitaciones de los enfoques actuales.
El artículo presenta AutoDataset, un sistema automatizado y ligero que monitorea continuamente arXiv para detectar, extraer e indexar nuevos conjuntos de datos de artículos científicos, permitiendo una búsqueda semántica en tiempo real que mejora la eficiencia de descubrimiento hasta en un 80%.
Este estudio empírico demuestra que las restricciones de despliegue en cuatro modelos de lenguaje grandes no mejoran la veracidad de las citas académicas, ya que la mayoría de las referencias generadas son inexistente o no verificables, lo que subraya la necesidad imperativa de verificar las citas después de la generación antes de integrarlas en revisiones de literatura o herramientas de ingeniería de software.
Este artículo de sistematización de conocimientos (SoK) presenta el primer marco unificado para las arquitecturas de Recuperación Aumentada por Generación (RAG) agénticas, formalizándolas como procesos de decisión de Markov, proponiendo una taxonomía modular, identificando riesgos sistémicos críticos y delineando direcciones de investigación para garantizar sistemas autónomos fiables y escalables.
El artículo presenta Dial, un sistema de NL2SQL basado en conocimiento que aborda la heterogeneidad de los dialectos SQL mediante planificación lógica consciente del dialecto, una base de conocimiento jerárquica y un bucle de depuración, logrando mejoras significativas en precisión y cobertura de características en comparación con los métodos existentes.
SeDa es un sistema unificado que integra más de 7,6 millones de conjuntos de datos de más de 200 plataformas mediante anotación semántica, un grafo de etiquetas y navegación multi-entidad para superar la fragmentación actual y facilitar la exploración de datos confiable, trazable y contextualmente enriquecida.
El artículo presenta GP-Tree, un índice espacial en memoria que combina celdas de cuadrícula adaptativas con una estructura de árbol de prefijos para superar las limitaciones de los índices tradicionales basados en rectángulos, logrando una eficiencia de consulta hasta un orden de magnitud superior en datos espaciales complejos.
Este artículo propone RecPilot, un nuevo paradigma de recomendación basado en agentes que sustituye las listas tradicionales de ítems por informes detallados y centrados en el usuario, logrando reducir significativamente el esfuerzo de exploración y síntesis necesario para la toma de decisiones.
Este trabajo presenta VRec, un nuevo paradigma de "razonar-verificar-recomendar" que mejora la recomendación generativa basada en LLMs mediante la intercalación de verificaciones fiables y multidimensionales para corregir la degradación del razonamiento y alinear mejor la generación de ítems con las preferencias del usuario.
El artículo presenta SynPlanResearch-R1, un marco que mejora el rendimiento de los agentes de investigación al sintetizar trayectorias de uso de herramientas que fomentan una exploración más profunda durante el ajuste fino inicial, logrando así superar a los métodos actuales en múltiples benchmarks.
Este artículo presenta la sustitución de variables como una técnica de aumento de gráficos específica del dominio que preserva la estructura algebraica de las fórmulas matemáticas, mejorando significativamente el rendimiento de la recuperación de información en comparación con las estrategias genéricas.
Aunque los sistemas de recuperación basados en LLM con razonamiento superan teóricamente a los métodos de similitud de embeddings al evitar una interpretación miope de la relevancia, su superioridad no puede evaluarse mediante conjuntos de datos anotados estándar debido a que las propias anotaciones humanas comparten esa misma limitación.
Este artículo presenta UIS-Digger, un marco de agentes multi-sistema diseñado para superar las limitaciones de la búsqueda de información no indexada mediante la navegación dual y el análisis de archivos, junto con el primer benchmark dedicado (UIS-QA) que demuestra cómo esta solución supera a modelos de lenguaje más grandes en tareas de recuperación de datos ocultos.
SPD-RAG es un marco jerárquico de agentes múltiples que mejora la calidad y la escalabilidad en la respuesta a preguntas complejas sobre múltiples documentos al asignar un agente dedicado a cada documento para la recuperación enfocada y sintetizar sus respuestas parciales mediante un coordinador, superando así a los métodos RAG estándar y de agentes individuales en el benchmark LOONG con un coste de API significativamente menor.
El artículo presenta ERASE, un benchmark a gran escala alineado con el mundo real para el olvido de datos (unlearning) en sistemas de recomendación, que evalúa múltiples algoritmos y escenarios prácticos para identificar las fortalezas y debilidades de los métodos actuales y fomentar el progreso hacia soluciones robustas y eficientes.
Este artículo establece una equivalencia formal entre los métodos de reducción de varianza utilizados en experimentación en línea y evaluación fuera de política, demostrando que los estimadores de diferencias de medias son idénticos a los de puntuación de propensión inversa con control variado óptimo, y que los ajustes de regresión son estructuralmente equivalentes a la estimación doblemente robusta.
Este trabajo propone equipar a los agentes de LLM con capacidades de recuperación nativas mediante un cabezal de proyección ligero que mapea sus estados ocultos directamente al espacio de incrustaciones, eliminando la necesidad de un modelo de incrustación separado y manteniendo el 97% de la calidad de recuperación original.