144 articles
Ce papier propose GFM-Retriever, une méthode qui utilise un modèle de fondation graphique pré-entraîné et un sélecteur de sous-graphe optimisé par le principe du goulot d'information pour extraire des preuves minimales et suffisantes, permettant ainsi un raisonnement interprétable et performant dans des scénarios de démarrage à froid.
Cette étude propose un cadre collaboratif utilisant plusieurs modèles de langage (LLM) déployés localement pour identifier de manière efficace et privée les paquets logiciels cryptographiques dans des environnements hétérogènes, facilitant ainsi la transition vers la cryptographie post-quantique.
Ce papier présente PT-RAG, un cadre novateur d'augmentation par récupération pour la génération qui améliore la prédiction des réponses cellulaires aux perturbations génétiques grâce à une récupération différentielle sensible au type cellulaire, surpassant ainsi les méthodes existantes.
Le papier propose WeDas, un cadre qui améliore les agents de recherche profonde en intégrant les caractéristiques structurelles du web pour aligner dynamiquement les requêtes de raisonnement avec les résultats de recherche, surmontant ainsi les limites des moteurs statiques.
Ce papier présente AutoDataset, un système léger et automatisé qui surveille en temps réel arXiv pour détecter, extraire et indexer de nouveaux jeux de données à partir des articles de recherche, permettant ainsi une découverte et une recherche sémantique rapides qui réduisent le temps de localisation de ces ressources jusqu'à 80 %.
Cette étude empirique démontre que, quel que soit le modèle ou le régime de prompt utilisé, les contraintes de déploiement n'empêchent pas les LLMs de générer massivement des citations fictives qui restent formatiquement valides, soulignant ainsi la nécessité impérative d'une vérification post-hoc avant leur intégration dans la littérature scientifique ou les outils d'ingénierie logicielle.
Cet article de synthèse (SoK) propose le premier cadre unifié pour les systèmes de Génération Augmentée par Récupération (RAG) agents, en formalisant leur fonctionnement comme des processus de décision markoviens, en établissant une taxonomie architecturale complète, en identifiant des risques critiques tels que la propagation des hallucinations, et en définissant des orientations de recherche pour améliorer leur fiabilité et leur contrôlabilité.
Le papier présente Dial, un système NL2SQL ancré dans des connaissances qui améliore la génération de requêtes pour des dialectes SQL hétérogènes grâce à une planification logique adaptée, une base de connaissances hiérarchique et une boucle de débogage exécutée, surpassant ainsi les méthodes existantes sur un nouveau benchmark multi-dialectes.
Le papier présente SeDa, un système unifié qui agrège plus de 7,6 millions de jeux de données provenant de plus de 200 plateformes pour faciliter leur découverte, leur annotation sémantique et leur navigation enrichie par des entités multiples, garantissant ainsi une exploration de données plus fiable, complète et traçable que les solutions existantes.
Ce papier présente le GP-Tree, un index spatial en mémoire de nouvelle génération qui combine une grille adaptative et un arbre de préfixes pour remplacer les approximations grossières par des cellules fines, offrant ainsi des performances de requête nettement supérieures aux index traditionnels.
Ce papier propose RecPilot, un nouveau paradigme de recommandation basé sur des agents intelligents qui génère des rapports détaillés et centrés sur l'utilisateur pour remplacer les listes d'articles traditionnelles, transformant ainsi le système de recommandation en un assistant proactif capable de réduire l'effort d'évaluation des utilisateurs.
Cet article propose VRec, une nouvelle approche de recommandation générative basée sur les LLMs qui adopte un paradigme « raisonner-vérifier-recommander » pour surmonter la dégradation du raisonnement en intercalant des étapes de vérification fiables et multidimensionnelles, améliorant ainsi significativement l'efficacité des recommandations.
Le papier présente SynPlanResearch-R1, un cadre qui synthétise des trajectoires d'utilisation d'outils favorisant une exploration approfondie pour améliorer l'entraînement initial des agents de recherche, surmontant ainsi les limites des méthodes d'apprentissage par renforcement classiques et démontrant des performances supérieures sur plusieurs benchmarks.
Cet article propose la substitution de variables, une technique d'augmentation spécifique au domaine pour l'apprentissage contrastif sur graphes, qui préserve la structure et le sens des formules mathématiques et améliore significativement les performances de leur recherche par rapport aux stratégies génériques.
Bien que les systèmes de jugement de pertinence basés sur les grands modèles de langage (LLM-RJS) aient le potentiel de surpasser les systèmes de récupération par similarité d'embedding en surmontant leur « myopie » grâce au raisonnement, cette supériorité ne peut être détectée sur les jeux de données annotés standards car ces mêmes annotations souffrent souvent des mêmes limitations.
Ce papier introduit UIS-Digger, un cadre multi-agents novateur et un benchmark dédié (UIS-QA) pour résoudre le problème sous-exploré de la recherche d'informations non indexées, démontrant que des interactions proactives avec des sources non crawlées surpassent les agents actuels même avec des modèles de langage plus petits.
Le papier présente SPD-RAG, un cadre hiérarchique multi-agents qui améliore la qualité et l'efficacité des systèmes de génération augmentée par la récupération (RAG) pour les questions complexes sur de vastes corpus de documents en traitant chaque document via un agent dédié et en fusionnant leurs réponses partielles.
Le papier présente ERASE, un benchmark à grande échelle conçu pour aligner l'évaluation de l'effacement machine dans les systèmes de recommandation sur des scénarios réels, en couvrant diverses tâches, algorithmes et jeux de données afin d'identifier les forces et les faiblesses des méthodes actuelles.
Ce papier établit une équivalence formelle entre les méthodes de réduction de variance utilisées dans les tests A/B en ligne et l'évaluation hors politique, démontrant que l'estimateur de différence de moyennes correspond à un score de propension inverse avec un variate de contrôle optimal, et que les ajustements par régression sont structurellement équivalents à l'estimation doublement robuste.
Cette proposition de recherche introduit une méthode permettant aux agents LLM d'intégrer nativement la récupération d'informations via une projection légère de leurs états cachés, éliminant ainsi le besoin d'un modèle d'encodage séparé tout en préservant 97 % de la qualité de récupération.