1076 articoli
Il paper introduce CBR-to-SQL, un framework basato sul ragionamento per casi che supera le limitazioni dei metodi RAG tradizionali nel dominio sanitario, ottenendo risultati all'avanguardia nella traduzione da testo a SQL su dati EHR grazie a un processo di recupero a due stadi che migliora l'efficienza e la robustezza anche in condizioni di scarsità di dati.
NOTAI.AI è un framework spiegabile per il rilevamento di testi generati da IA che combina segnali di curvatura, caratteristiche neurali e stilometriche in un classificatore XGBoost, utilizzando SHAP e un layer basato su LLM per fornire attribuzioni di funzionalità e spiegazioni in linguaggio naturale tramite un'applicazione web interattiva.
Questo studio dimostra che il prompting Chain-of-Thought può aumentare la fuoriuscita di informazioni personali identificabili (PII) nei modelli linguistici, proponendo un framework per misurare tale rischio e valutare diverse strategie di mitigazione in tempo reale.
Il paper presenta RACAS, un'architettura agente basata su modelli linguistici che permette il controllo a ciclo chiuso di robot eterogenei tramite descrizioni in linguaggio naturale, eliminando la necessità di riaddestramento o modifiche al codice sorgente quando si cambia piattaforma.
Lo studio dimostra che i giudizi morali dei grandi modelli linguistici sono altamente fragili e manipolabili, poiché dipendono in modo critico da fattori superficiali come il punto di vista narrativo e il protocollo di valutazione piuttosto che dalla sostanza etica delle situazioni.
Il documento presenta FreeTxt-Vi, un toolkit open source basato sul web che integra tecniche di segmentazione ibrida, analisi del sentiment e riassunto testuale per facilitare l'elaborazione di corpus bilingui vietnamita-inglese senza richiedere competenze di programmazione, dimostrando prestazioni competitive rispetto alle soluzioni esistenti.
Il paper presenta Ptychi-Evolve, un framework autonomo che utilizza modelli linguistici di grandi dimensioni e meccanismi evolutivi per scoprire e ottimizzare automaticamente nuove funzioni di regolarizzazione per la ptychografia, ottenendo ricostruzioni di immagini superiori rispetto ai metodi convenzionali.
Questo studio utilizza il benchmark RGB per confrontare l'efficacia di un sistema RAG basato su grafi della conoscenza (GraphRAG) rispetto a una baseline standard, dimostrando che le personalizzazioni di GraphRAG migliorano significativamente la robustezza dei modelli linguistici di fronte a rumore, informazioni contraddittorie e scenari negativi.
Questo studio presenta i risultati di un'indagine globale su larga scala per analizzare le percezioni e le aspettative riguardo alla rappresentazione culturale nell'IA generativa, proponendo definizioni operative di cultura e raccomandazioni per lo sviluppo di sistemi più inclusivi e sensibili alle specificità culturali.
Questo lavoro introduce l'L-Transformer, un'architettura basata sulla fattorizzazione spettrale di tensori che riduce significativamente i parametri del modello mantenendo prestazioni competitive, decomponendo l'encoder in sottoreti spettrali indipendenti tramite trasformate come la DCT.
Questo articolo di posizione propone un'architettura multi-agente basata sulla priorità dell'oralità, utilizzando il guaraní come caso di studio, per superare i limiti dei sistemi di intelligenza artificiale testocentrici e rispettare la sovranità dei dati indigeni e le pratiche conversazionali vive.
Il paper presenta CodeScout, un approccio di raffinamento contestuale delle query che analizza preventivamente il codice sorgente per trasformare richieste utente ambigue in istruzioni dettagliate, migliorando significativamente le prestazioni degli agenti software nello sviluppo di codice.
Il paper introduce NERdME, un nuovo dataset di 200 file README annotati manualmente per colmare il divario nell'estrazione di informazioni scientifiche a livello di implementazione nei repository di codice, dimostrando come l'identificazione di entità specifiche in questi file possa migliorare la scoperta di artefatti e l'integrazione dei metadati.
Il paper introduce PVminer, un benchmark e un modello LLM supervisionato (PVminerLLM) che supera i metodi basati su prompt per estrarre in modo strutturato e scalabile le esperienze dei pazienti da testi generati dagli stessi, raggiungendo prestazioni elevate anche con modelli di dimensioni ridotte.
Questo articolo presenta una tassonomia delle azioni dei tutor, sviluppata attraverso un processo deduttivo-induttivo e organizzata in quattro categorie principali, che fornisce un quadro strutturato per l'analisi su larga scala dei dialoghi di tutoraggio al fine di collegare i comportamenti istruttivi ai risultati di apprendimento.
Il paper propone "Proof-of-Guardrail", un sistema che utilizza ambienti di esecuzione attendibili (TEE) per fornire prove crittografiche verificabili che le risposte degli agenti AI sono state filtrate da specifici guardrail open-source, garantendo l'integrità del processo di sicurezza senza rivelare la logica proprietaria dell'agente, pur evidenziando i rischi residui di inganno da parte di sviluppatori malevoli.
Il paper presenta RouteGoT, un framework di routing adattivo che ottimizza l'efficienza dei costi e la precisione nel ragionamento a grafo (GoT) assegnando dinamicamente modelli leggeri ai sottocompiti semplici e modelli potenti alla pianificazione, riducendo significativamente l'uso di token rispetto alle tecniche esistenti.
Il paper propone HART, un framework innovativo per l'attribuzione delle allucinazioni nei grandi modelli linguistici che, attraverso un approccio strutturato in quattro fasi e un nuovo dataset annotato, supera i limiti delle metodologie esistenti migliorando la tracciabilità delle prove fattuali e l'interpretabilità degli errori.
Questo studio empirico analizza l'efficacia e i limiti del prompting many-shot come strategia di adattamento a tempo di test per i modelli linguistici, rivelando che mentre funziona bene per compiti strutturati ad alto guadagno informativo, è spesso sensibile alla selezione degli esempi e poco vantaggioso per la generazione aperta.
Il paper introduce ReflexiCoder, un nuovo framework di apprendimento per rinforzo che addestra i modelli linguistici a internalizzare capacità autonome di auto-riflessione e auto-correzione del codice, ottenendo risultati all'avanguardia su diversi benchmark senza dipendere da oracoli esterni o feedback di esecuzione durante l'inferenza.