154 articles
Le papier présente TURA, un agent de recherche IA unifié qui comble le fossé entre les méthodes RAG statiques et les sources d'information dynamiques en intégrant l'usage d'outils via une architecture à trois étapes pour fournir des réponses en temps réel à grande échelle.
Cette étude démontre que les modèles de récupération par embeddings vectoriels sont fondamentalement limités par la dimension de leurs vecteurs, une contrainte théorique qui persiste même dans des scénarios réalistes et simples, rendant nécessaire le développement de nouvelles techniques au-delà du paradigme actuel du vecteur unique.
Le papier présente Mobile-Agent-RAG, un cadre multi-agents hiérarchique innovant qui améliore l'automatisation mobile à long terme en intégrant une récupération de connaissances contextuelles à double niveau pour réduire les hallucinations stratégiques et les erreurs d'exécution, surpassant ainsi les méthodes actuelles grâce à une meilleure planification et une précision opérationnelle accrue.
Le papier présente PosIR, le premier benchmark standardisé conçu pour diagnostiquer systématiquement les biais de position dans les systèmes de récupération d'information en isolant cet effet de la longueur des documents grâce à une stratégie de regroupement contrôlée, révélant ainsi que les modèles d'embedding actuels souffrent de biais positionnels persistants qui ne sont pas détectés par les évaluations traditionnelles sur textes courts.
Le papier présente SLATE, un cadre d'apprentissage par renforcement qui améliore le raisonnement des grands modèles de langage via la recherche en combinant un échantillonnage tronqué au niveau des étapes et des récompenses de processus denses pour résoudre le problème d'attribution du crédit et réduire la variance des gradients.
Cet article présente Geodesic Semantic Search (GSS), un système de recherche qui apprend des métriques riemanniennes spécifiques aux nœuds sur des graphes de citations pour effectuer une recherche sémantique géométrique, offrant ainsi une amélioration significative de la précision par rapport aux méthodes basées sur l'espace euclidien tout en fournissant des chemins de citation interprétables.
Cet article présente OpenSanctions Pairs, un benchmark massif d'appariement d'entités issu de données de sanctions internationales, démontrant que les modèles de langage (LLM) surpassent significativement les systèmes basés sur des règles en atteignant un taux F1 de près de 99 %, ce qui suggère que l'effort de recherche doit désormais se concentrer sur les composants de blocage et de regroupement plutôt que sur l'appariement par paires.
Le papier propose MDER-DR, un cadre de question-réponse piloté par les LLMs qui améliore significativement les performances du RAG sur les graphes de connaissances en combinant une nouvelle méthode d'indexation (MDER) générant des résumés centrés sur les entités et un mécanisme de récupération itératif (DR), permettant ainsi de surmonter les limites des approches traditionnelles pour les requêtes multi-sauts.
Cet article propose un modèle de prise de décision séquentielle sous contraintes de mémoire qui étend le concept de « sentier d'information » pour expliquer les comportements de navigation par essais et erreurs, tels que les sélections prématurées et le retour en arrière, en modélisant la recherche d'information comme un processus stratégique et limité dans le temps.
Cette étude démontre que les choix méthodologiques des audits, tels que l'utilisation de comptes connectés, influencent considérablement la précision des inférences sur le système de recommandation de YouTube, tout en proposant des compromis pour optimiser les coûts sans sacrifier la validité scientifique.
Cet article présente Agent-OM, un nouveau cadre générique exploitant des agents de modèles de langage pour l'appariement d'ontologies, qui démontre des performances compétitives sur des tâches simples et une amélioration significative sur des tâches complexes et en contexte de few-shot par rapport aux systèmes de l'état de l'art.
Ce papier présente LEXA, une extension du modèle CaseGNN qui améliore la récupération de cas juridiques en exploitant des graphes de cas textuels enrichis par des embeddings contextuels de grands modèles de langage et en optimisant l'apprentissage contrastif grâce à une nouvelle couche d'attention et à des signaux d'entraînement renforcés.
Cet article présente une nouvelle approche théorique et algorithmique pour la récupération de vecteurs équilibrant similarité et diversité, prouvant la complexité NP-complète du problème et proposant un heuristique sans paramètre qui surpasse les méthodes existantes comme MMR et k-DPP.
Ce papier propose AMPEND-LS, un cadre multi-personas agentic intégrant la synergie entre LLM et SLM pour détecter les fausses nouvelles multimodales de manière précise, robuste et explicable grâce à une analyse de preuves enrichie.
Cet article propose une méthode évolutive pour la prédiction du signe des liens dans les graphes signés, qui modélise directement les dépendances statistiques entre les arêtes à l'aide d'une copule gaussienne tout en surmontant les limitations de complexité computationnelle grâce à une représentation factorisée de la matrice de corrélation et une reformulation de la distribution de probabilité conditionnelle.
Cette étude scientométrique analyse la production de recherche mondiale sur la grippe aviaire de 2014 à 2023, révélant une croissance constante des publications dominée par la Chine et les États-Unis, tout en soulignant l'importance des collaborations internationales et des revues scientifiques clés dans ce domaine.
Ce papier démontre que l'apprentissage de la magnitude des embeddings, plutôt que de la simple similarité cosinus, améliore significativement les performances en recherche d'information et en RAG en exploitant des rôles distincts pour les magnitudes des requêtes et des documents, au détriment des tâches où les entrées sont interchangeables.
Ce travail présente Pailitao-VL, un système de recherche industrielle multimodale en temps réel qui améliore la précision et l'efficacité grâce à une transition vers un paradigme d'encodage par reconnaissance d'ID absolu et à un reranker génératif comparatif, validé par des tests sur la plateforme e-commerce d'Alibaba.
Ce papier propose DPR, un cadre agnostique qui permet aux modèles de recommandation séquentielle classiques de s'adapter dynamiquement aux intentions explicites des utilisateurs via des invites naturelles, en modulant leurs représentations latentes grâce à une fusion de signaux collaboratifs et sémantiques, tout en surpassant les méthodes actuelles.
Le papier présente SearchGym, une infrastructure modulaire open-source conçue pour le benchmarking interplateforme et l'orchestration de la recherche hybride, qui permet de synthétiser des systèmes reproductibles via une algèbre de configuration compositionnelle et révèle des mécanismes causaux clés dans les pipelines de recherche.