3657 articles
Cet article présente MUESCA, un corpus et un schéma d'annotation multigenres en espagnol qui quantifie la subjectivité le long d'un continuum à l'aide de caractéristiques pragmatiques, démontrant que la combinaison de ces caractéristiques avec des modèles transformeurs améliore significativement la détection de la subjectivité, particulièrement pour les textes d'actualité hybrides.
Cette étude révèle que les agents virtuels sont perçus comme plus intelligents et dignes de confiance lorsque leur apparence et leur parole se contredisent (par exemple, avoir l'air intelligent mais parler de manière peu intelligente, ou vice versa) plutôt que lorsque ces deux facteurs transmettent l'intelligence de manière cohérente.
Cet article propose SAFE CHA, un cadre d'agent de santé conversationnel hybride qui intègre des modèles de langage de grande taille, la logique floue et l'apprentissage par renforcement, guidés par la théorie de l'autodétermination et l'optimisation sous contraintes, afin de fournir un soutien en santé mentale sûr, empathique et personnalisé tout en équilibrant l'adaptabilité avec des contrôles de sécurité rigoureux.
Cet article propose le modèle X-WMHEA, un cadre d'apprentissage profond interprétable qui intègre le HSIC-LASSO pour la sélection de caractéristiques, TabM pour la classification et SHAP pour l'explicabilité afin d'évaluer avec précision la santé mentale et l'autonomisation des femmes à l'aide de facteurs psychosociaux, atteignant une grande précision sur les ensembles de données de dépression tout en fournissant des informations transparentes sur les variables clés influentes.
Cet article propose RSDQ-Net, un réseau spatiotemporel sensible à la référence qui unifie des données de danse hétérogènes en un squelette canonique afin de modéliser séparément l'exécution spatiale et les déviations de phase temporelle, atteignant ainsi des performances de l'état de l'art dans l'évaluation automatique de la qualité du mouvement de danse sur plusieurs ensembles de données.
Cet article introduit le concept de « fossé de transfert de calibration » pour démontrer que, sous un changement de distribution, les paramètres ajustés des méthodes de recalibrage échouent souvent à se transférer efficacement vers les domaines cibles, un phénomène piloté par la dérive des paramètres et des relations confiance-exactitude non identifiables qui rendent le simple réajustement sur de faibles budgets de labels cibles fréquemment préjudiciable.
Ce document propose un cadre guidé par la sensibilité qui combine une quantification à précision mixte par blocs avec une adaptation de bas rang adaptative pour compresser efficacement les grands modèles de langage tout en préservant ou en améliorant même les performances sur les tâches aval et la perplexité par rapport aux références FP16.
Cet article introduit FOCUS, un cadre de généralisation de domaine qui améliore la robustesse des modèles en séparant les caractéristiques pertinentes à la tâche et celles spécifiques au domaine par une régularisation de l'information mutuelle, démontrant que si les estimateurs de borne supérieure (CLUB) et de borne inférieure (MINE) améliorent tous deux efficacement les performances, le bénéfice principal provient de la stratégie de séparation elle-même plutôt que du choix de l'estimateur spécifique.
Cet article présente AgentDojo Trace Audit, une couche Python reproductible qui valide un instantané fixe d'AgentDojo v1.2.1 en reconstruisant avec succès l'intégralité des 11 624 enregistrements, en parvenant à une détection et une classification parfaites des mutations lors des tests post-réparation, et en garantissant l'absence de fausses alertes sur les transformations bénignes, établissant ainsi un cadre robuste pour l'audit des revendications de benchmarks d'agents interactifs.
Une étude préenregistrée de 14 400 essais impliquant des équipes d'agents Gemma locaux révèle qu'ils restent étonnamment résistants à l'idée de se soumettre à une figure d'autorité faillible, la conformité publique aux erreurs ne se produisant que lorsque cette autorité contredit un consensus de pairs unanime et correct.