154 articles
AriadneMem est un système de mémoire structuré pour les agents LLM qui améliore la précision des réponses multi-sauts et la gestion des mises à jour d'état tout en réduisant considérablement le temps d'exécution et l'utilisation du contexte, grâce à une approche en deux phases combinant filtrage, coalescence conflictuelle et découverte algorithmique de liens dans un graphe.
Ce papier présente MA-RAG, un cadre d'inférence agentic multi-tours qui améliore le raisonnement médical en transformant les conflits sémantiques en requêtes de recherche itératives pour atteindre un consensus de haute fidélité, surpassant ainsi les méthodes existantes de +6,8 points de précision en moyenne.
Le papier présente PlugMem, un module de mémoire plugin indépendant des tâches qui améliore les agents LLM en structurant les souvenirs épisodiques sous forme d'un graphe de connaissances compact et orienté vers la décision, surpassant ainsi les approches existantes en termes d'efficacité et de densité d'information sur divers benchmarks.
Ce papier propose un cadre multi-agents basé sur la génération augmentée par récupération (RAG) intégrant des modèles vision-langage pour optimiser la gestion des connaissances et la formation du personnel dans les départements de transport d'État en permettant une recherche contextuelle précise de documents techniques et de figures.
Cette recherche propose un cadre hybride innovant combinant l'analyse sémantique des grands modèles de langage (LLM) et le profilage cognitif VARK pour surmonter les défis du démarrage à froid dans les systèmes de recommandation en générant des profils utilisateurs et des métadonnées enrichies dès le premier contact.
Le papier présente MemSifter, un cadre novateur qui délègue la récupération de mémoire des grands modèles de langage à un petit modèle proxy optimisé par apprentissage par renforcement, offrant ainsi une solution efficace et évolutive pour les tâches à long terme tout en surpassant les méthodes existantes en précision et en performance.
Ce papier présente les Graph Hopfield Networks, une méthode de classification de nœuds basée sur l'énergie qui combine la récupération de mémoire associative et le lissage par Laplacien de graphe pour améliorer la précision et la robustesse sur divers benchmarks.
Ce papier présente SafeCRS, un cadre d'entraînement et un nouveau jeu de données nommé SafeRec conçus pour aligner les systèmes de recommandation conversationnels basés sur les LLM sur des contraintes de sécurité personnalisées, réduisant ainsi considérablement les violations de sécurité tout en préservant la qualité des recommandations.
Le papier présente AgentSelect, un benchmark unifié qui transforme la sélection d'agents LLM en une tâche de recommandation basée sur des requêtes narratives, en fournissant une vaste infrastructure de données et d'évaluation pour apprendre à associer des modèles de base à des outils spécifiques.
Ce papier présente HAP, un cadre de pré-classement adaptatif qui atténue les conflits de gradient et optimise l'allocation des ressources computationnelles en distinguant les échantillons faciles et difficiles, améliorant ainsi l'efficacité des systèmes de recommandation industriels comme celui de Toutiao.
Le papier propose DisenReason, une méthode de recommandation séquentielle pour comptes partagés qui surpasse les approches existantes en découplant les comportements des utilisateurs dans le domaine fréquentiel pour générer une représentation collective, permettant ainsi de déduire dynamiquement le nombre d'utilisateurs sous-jacents et d'améliorer la précision des recommandations.
Ce papier présente LabelBuddy, un outil open-source collaboratif d'annotation audio assistée par l'IA qui comble le fossé entre l'intention humaine et la compréhension machine en permettant l'intégration de modèles personnalisés via des backends conteneurisés pour surmonter les limites des outils d'étiquetage statiques.
Ce papier présente -Knowledge, un nouveau benchmark évaluant la capacité des agents conversationnels à coordonner des connaissances non structurées et des outils dans des scénarios réalistes de support client fintech, révélant que même les modèles de pointe peinent à atteindre une fiabilité suffisante dans ces tâches complexes.
En analysant deux millions de vidéos sur une décennie, cette étude révèle que la pratique du marketing d'affiliation sur YouTube est omniprésente mais que le respect des règles de divulgation de la FTC reste faible, soulignant le rôle crucial des fonctionnalités standardisées de la plateforme pour améliorer la conformité.