149 articles
Le papier présente OfficeQA Pro, un nouveau benchmark évaluant la capacité des agents IA à effectuer un raisonnement ancré sur un vaste corpus hétérogène de documents du Trésor américain, révélant que même les modèles de pointe peinent à atteindre une fiabilité suffisante pour des applications d'entreprise sans une représentation structurée avancée des documents.
Cet article propose une vaste revue des recherches sur l'explicabilité et l'interprétabilité des méthodes de traitement du langage naturel et de recherche d'information, en examinant spécifiquement les approches appliquées aux plongements de mots, aux modèles de séquence, aux mécanismes d'attention, aux transformers, à BERT et au classement de documents, tout en suggérant des pistes pour les travaux futurs.
Ce papier propose ADC-SID, un cadre innovant qui améliore la génération d'identifiants sémantiques robustes pour les systèmes de recommandation en adaptativement débruyant les informations collaboratives via un alignement comportement-contenu ajustable et un mécanisme de pondération dynamique des identifiants comportementaux.
Cette étude démontre que l'ordre de saisie des évaluations (notation avant ou après l'avis) polarise les notes des consommateurs en fonction de la qualité du service, un effet médié par l'heuristique affective et l'effort cognitif, et amplifié pour les produits hédoniques.
Cette étude systématique comparant les rerankers à raisonnement et non à raisonnement sur le dataset TREC 2022 démontre que l'intégration du raisonnement n'améliore ni ne détériore l'équité des résultats, révélant que les modèles actuels préservent les caractéristiques d'équité de leur classement d'entrée.
Cet article propose une reformulation des systèmes de recommandation génératifs via deux nouvelles architectures (AttnLFA et AttnMVP) qui éliminent l'intercalage inefficace des jetons pour modéliser explicitement la causalité entre les éléments et les actions, permettant ainsi d'améliorer les performances tout en réduisant la complexité computationnelle et le temps d'entraînement.
Ce papier propose la méthode DGI (Differentiable Geometric Indexing) pour résoudre les blocages d'optimisation et les conflits géométriques de la recherche générative en unifiant l'indexation et la récupération via une formation différentiable et une optimisation géométrique isotrope, surpassant ainsi les approches existantes, notamment dans les scénarios à longue traîne.
Cet article propose un cadre unifié pour la recommandation de nouvelles qui modélise l'évolution des intérêts des utilisateurs en combinant une perspective temporelle globale pour les préférences à long terme et une approche locale par étapes avec des mécanismes LSTM et d'attention pour capturer les dynamiques à court terme, surpassant ainsi les méthodes existantes sur des jeux de données réels.
Cet article présente un cadre novateur permettant aux agents autonomes pilotés par des LLM d'améliorer leurs performances futures en extrayant automatiquement des enseignements structurés de leurs trajectoires d'exécution pour les intégrer dynamiquement dans leur contexte via une mémoire adaptative.
Ce papier présente ExBI, un nouveau système d'intelligence d'affaires exploratoire basé sur un modèle de données hypergraphe et des algorithmes d'échantillonnage, qui surpasse significativement les systèmes traditionnels en termes de vitesse et de réutilisabilité tout en maintenant une grande précision analytique.
Cet article propose TriRec, un cadre de recommandation tripartite innovant utilisant des agents LLM pour coordonner l'utilité de l'utilisateur, l'exposition des articles et l'équité de la plateforme, démontrant ainsi que l'autopromotion des articles peut simultanément améliorer la pertinence et l'équité.
Cette étude démontre que l'intégration de données liées structurées, notamment via des pages d'entités enrichies et des instructions pour agents, améliore significativement la précision et la qualité des réponses dans les systèmes RAG classiques et agentic, surpassant les approches traditionnelles basées sur du texte brut.
Le papier présente RAGPerf, un cadre de référence open-source conçu pour évaluer de manière modulaire et automatisée les performances et la qualité des systèmes de génération augmentée par la récupération (RAG) en simulant des charges de travail réalistes et en mesurant des métriques d'efficacité et de précision.
Cette étude présente un pipeline assisté par LLM qui transforme quatre protocoles d'identification des métaphores en scripts de règles exécutables et auditable, démontrant que le choix du protocole est le facteur dominant de variation dans la détection des métaphores en chinois tout en garantissant une transparence totale et une reproductibilité déterministe.
Cet article présente un corpus bilingue anglais-allemand annoté avec la Norme d'Autorité Intégrée (GND) et une taxonomie machine-actionable, conçus pour faciliter le classement automatique des notices de bibliothèque et le développement de copilotes d'IA transparents et ancrés dans l'autorité pour assister les catalogueurs.
Ce papier présente PharmGraph-Auditor, un cadre hybride innovant qui combine une base de connaissances pharmaceutiques unifiée (HPKB) et une méthode de vérification par chaîne (CoV) pour transformer les grands modèles de langage en moteurs de raisonnement transparents et fiables, afin d'améliorer la sécurité et la traçabilité de la vérification des ordonnances.
Cette étude systématique démontre que le choix du modèle de rétroaction est déterminant pour l'efficacité de la rétroaction de pertinence pseudo (PRF) basée sur les LLM, tout en identifiant que l'utilisation de textes générés par les LLM constitue la solution la plus rentable, tandis que l'exploitation du corpus est optimale lorsque le premier stade de récupération est déjà performant.
Le papier présente LLMGreenRec, un nouveau système de recommandation multi-agents basé sur les grands modèles de langage (LLM) qui favorise la consommation durable en identifiant les intentions écologiques des utilisateurs et en réduisant l'empreinte carbone numérique grâce à des interactions ciblées.
Ce papier propose les « Reading Activity Traces » (RATs), un cadre conceptuel et technique qui requalifie la lecture comme une activité créative en rendant visibles les trajectoires d'interprétation humaine souvent effacées par l'automatisation, illustré par une mise en œuvre spéculative sur Wikipédia.
Ce papier présente HCT-QA, un nouveau benchmark complet pour l'évaluation des modèles de question-réponse sur des tableaux centrés sur l'humain (HCT) aux structures complexes, incluant un vaste ensemble de données réelles et synthétiques ainsi que des résultats d'expérimentation démontrant l'efficacité du fine-tuning.