Articles dont les auteurs originaux ont examiné notre explication accessible.
Pour chaque article de cette page, au moins un des auteurs originaux a examiné notre explication accessible — soit en confirmant sa précision, soit en demandant des corrections que nous avons ensuite appliquées. Une validation ne signifie pas que les auteurs approuvent formellement chaque phrase, mais que l'explication a été revue par les personnes qui ont écrit l'article.
1288 articles vérifiés par les auteurs · 571–580 / 1288
Ce document introduit le Trajectory-Invariant Latent Refinement (TILR), un cadre de travail sans entraînement qui identifie et manipule des directions invariantes stables de faible rang au sein des trajectoires latentes des modèles de langage afin d'améliorer significativement la cohérence du raisonnement et de réduire la sensibilité aux paraphrases et aux perturbations sans sacrifier la précision.
Cet article propose une perspective sur le paysage théorique de la supraconductivité à haute Tc des cuprates après 40 ans, en se concentrant sur le consensus croissant autour des mécanismes d'interaction répulsive, en esquissant trois principales écoles théoriques, et en actualisant les « dogmes » d'Anderson à la lumière des découvertes expérimentales récentes.
Cet article introduit un cadre unifié pour évaluer et comparer indépendamment les priors de génération de données pour les modèles de fondation tabulaires en entraînant des architectures identiques sur des tâches dérivées de divers priors, révélant que différents priors influencent de manière significative la performance en aval et la cohérence au-delà de la simple similitude au niveau des données.
Cet article identifie et quantifie le « biais d'intervention » dans les conseillers éducatifs LLM en mode zero-shot, qui recommandent à tort des actions inutiles par rapport à un oracle optimal, et démontre que l'apprentissage de politique supervisé utilisant les Decision Transformers ou XGBoost élimine efficacement ce biais tout en atteignant une précision élevée et des décisions à faible latence adaptées à un déploiement à enjeux élevés.
Cet article évalue systématiquement cinq méthodes de détection d'hallucinations légères et réalisables sur CPU à travers des tâches de questions-réponses, de dialogue et de résumé, révélant que la performance est fortement dépendante de la tâche, les méthodes d'ensemble excellant dans les questions-réponses, les détecteurs NLI menant dans le dialogue, et toutes les approches échouant de manière significative sur le résumé.
Cet article introduit un cadre fondé sur des preuves pour la découverte scientifique continue avec les LLM qui remplace la surprise bayésienne statique par une surprise non stationnaire et mise à jour selon les croyances, et qui emploie le filtrage et la maximisation de la diversité pour éliminer les récompenses fallacieuses, améliorant ainsi de manière significative l'exploration d'hypothèses à travers de multiples domaines.
SurrogateShield est un proxy côté client qui améliore la confidentialité des interactions avec les LLM en remplaçant les PII détectées par des valeurs de substitution générées localement et cohérentes avec le type avant la transmission, puis en restaurant les originales dans les réponses, éliminant ainsi l'exposition réelle des PII tout en améliorant considérablement l'utilité sémantique par rapport aux méthodes de rédaction traditionnelles.
Cet article établit que pour tout multiensemble de nombres réels dont la somme est nulle, l'entropie de Shannon de la somme de éléments échantillonnés aléatoirement est minorée par l'entropie d'une variable aléatoire de Bernoulli de moyenne , présentant un résultat fin qui sert d'analogue entropique à la conjecture de Manickam-Miklós-Singhi.
Cet article démontre que des sondes légères entraînées sur les activations feedforward internes d'OpenVLA peuvent prédire efficacement les échecs de tâches à court terme causés par des décalages de distribution visuelle tels que l'occlusion, atteignant une précision élevée sans nécessiter de modifications de la politique sous-jacente.
Cet article introduit une classe d'estimateurs M régularisés et robustes pour la régression de haute dimension qui atteint des taux de convergence optimaux et une cohérence de sélection de variables sous des conditions de moments minimales ( fini), surpassant les méthodes existantes tant dans les simulations que dans les applications génomiques réelles lorsqu'on traite des erreurs à queues lourdes, asymétriques ou contaminées.