154 artículos
AriadneMem es un sistema de memoria estructurado para agentes LLM que, mediante un pipeline de dos fases con filtrado por entropía, coarsening consciente de conflictos y descubrimiento algorítmico de puentes, mejora significativamente la precisión en respuestas multi-hop y reduce el tiempo de ejecución en un 77,8% al gestionar eficientemente la evidencia desconectada y las actualizaciones de estado en diálogos a largo plazo.
El paper presenta MA-RAG, un marco de RAG multi-vuelta basado en agentes que mejora el razonamiento médico al transformar los conflictos semánticos en consultas iterativas para refinar la evidencia externa y el historial de razonamiento, logrando un consenso de alta fidelidad que supera significativamente a los métodos existentes en siete benchmarks médicos.
El artículo presenta PlugMem, un módulo de memoria plugin independiente de la tarea que mejora el rendimiento de los agentes LLM al transformar memorias episódicas en un grafo de conocimiento compacto y centrado en proposiciones, logrando una recuperación eficiente y superando tanto a diseños específicos de tarea como a métodos agnósticos existentes.
Este artículo propone un marco de arquitectura multiagente basado en Generación Aumentada por Recuperación (RAG) que integra modelos de lenguaje y visión para optimizar la gestión del conocimiento y la formación de la fuerza laboral en las oficinas de transporte estatales, permitiendo la recuperación contextualizada de manuales técnicos y figuras gráficas para mejorar la toma de decisiones y la transferencia de expertise.
Este trabajo propone un marco híbrido innovador que combina modelos de lenguaje grandes (LLM) para el análisis semántico con perfiles cognitivos VARK para superar el problema de inicio en frío en los sistemas de recomendación, permitiendo generar sugerencias personalizadas y explicables incluso con datos iniciales limitados.
MemSifter es un marco innovador que optimiza la recuperación de memoria en modelos de lenguaje grandes (LLM) mediante el uso de un modelo proxy pequeño entrenado con aprendizaje por refuerzo para razonar sobre la tarea y seleccionar información relevante, logrando así un equilibrio eficiente entre precisión, coste computacional y rendimiento en tareas de larga duración.
Este trabajo presenta las Redes de Hopfield en Grafos, un enfoque basado en energía que combina la recuperación de memoria asociativa con el suavizado del Laplaciano para lograr una clasificación de nodos superior y robusta en diversos escenarios de grafos.
El artículo presenta SafeCRS, un marco de entrenamiento que integra técnicas de ajuste fino y optimización de políticas para alinear la seguridad personalizada en sistemas de recomendación conversacionales basados en LLM, logrando una reducción significativa en las violaciones de seguridad sin comprometer la calidad de las recomendaciones.
El artículo presenta AgentSelect, un benchmark unificado que aborda la falta de métodos principistas para seleccionar configuraciones de agentes LLM al reformular la tarea como una recomendación basada en consultas narrativas, proporcionando un vasto conjunto de datos que demuestra la superioridad del emparejamiento consciente del contenido sobre los métodos tradicionales y valida su eficacia en entornos del mundo real.
Este artículo presenta HAP, un marco de pre-clasificación que aborda la heterogeneidad de los candidatos mediante la separación de muestras fáciles y difíciles para optimizar el entrenamiento y asignar recursos computacionales de forma adaptativa, logrando mejoras en el rendimiento y la eficiencia en el sistema de producción de Toutiao.
El artículo presenta DisenReason, un método de recomendación secuencial para cuentas compartidas que supera las limitaciones de los enfoques existentes al utilizar un proceso de dos etapas que combina la descomposición de comportamientos en el dominio de la frecuencia para crear una representación colectiva y el razonamiento latente para inferir dinámicamente el número de usuarios reales detrás de la cuenta, logrando así mejoras significativas en la precisión de las recomendaciones.
Este artículo presenta LabelBuddy, una herramienta de código abierto para la anotación colaborativa de audio que utiliza modelos de inteligencia artificial para superar la escasez de infraestructuras que capturen los matices subjetivos en la recuperación de información musical.
El artículo presenta -Knowledge, un nuevo marco de evaluación que extiende -Bench para medir el rendimiento de agentes conversacionales en entornos de conocimiento no estructurado mediante el dominio -Banking, donde se demuestra que incluso los modelos más avanzados tienen dificultades para integrar eficazmente la recuperación de documentos con la ejecución de herramientas en flujos de trabajo complejos.
Este estudio analiza un conjunto de datos de 10 años en YouTube para revelar que, aunque el marketing de afiliados es omnipresente, el cumplimiento de las normas de divulgación de la FTC es bajo, demostrando que las funciones estandarizadas de la plataforma son clave para mejorar la transparencia y la confianza en la economía de los influencers.