1077 articoli
Questo lavoro propone un framework basato su grafi causali che rappresenta le narrazioni oppositive come interazioni tra entità, superando i limiti dei modelli a scatola nera tradizionali e ottenendo prestazioni superiori nella classificazione di tali narrazioni attraverso l'estrazione di sottografi causali minimi.
Lo studio RAPTOR dimostra che, per la rilevazione di deepfake audio, la traiettoria di pre-addestramento multilingue di modelli SSL compatti come HuBERT è più determinante della scala del modello per garantire robustezza cross-dominio e una corretta calibrazione dell'incertezza.
Il documento propone un framework a due stadi che combina l'apprendimento contrastivo supervisionato su alfabeti inventati con la distillazione da insegnante a studente per apprendere metriche di similarità tra sistemi di scrittura storici, permettendo sia la distinzione netta tra sistemi diversi che l'identificazione di somiglianze latenti senza richiedere relazioni evolutive verificate.
Il paper introduce CRIMSON, un nuovo framework di valutazione basato su LLM e fondato su principi clinici per i report radiologici generativi, che assegna pesi differenziati agli errori in base alla loro gravità e rilevanza clinica, dimostrando una forte allineamento con il giudizio di radiologi esperti attraverso benchmark specifici come RadJudge e RadPref.
Il paper presenta MAPO, un algoritmo di ottimizzazione della politica senza critico che combina feedback di processo denso e un stimatore di vantaggio misto per migliorare la stabilità e le prestazioni nell'apprendimento per rinforzo di dialoghi multi-turno soggettivi a lungo termine.
Il documento presenta il protocollo AI-CROWD, che supera i limiti della codifica umana su larga scala approssimando la verità fondamentale nell'analisi dei contenuti attraverso il consenso aggregato e le metriche diagnostiche di un ensemble di undici grandi modelli linguistici.
Il paper introduce LIT-RAGBench, un nuovo benchmark che valuta le capacità dei generatori nei sistemi RAG attraverso cinque categorie (Integrazione, Ragionamento, Logica, Tabelle e Astensione) utilizzando un dataset bilingue giapponese-inglese per identificare limiti e guidare la selezione dei modelli nelle implementazioni pratiche.
Il paper presenta FlashPrefill, un framework che abilita un prefilling ultra-rapido per modelli linguistici a lungo contesto attraverso la scoperta istantanea di pattern di attenzione e una soglia dinamica, ottenendo un speedup fino a 27,78x su sequenze di 256K senza degradare le prestazioni su contesti più brevi.
Il paper presenta SPOT, un framework che migliora l'efficienza e l'interpretabilità del ragionamento nei grandi modelli linguistici comprimendo il Chain-of-Thought esplicito in token latenti compatti mediante allineamento semantico a livello di segmento e vincoli di decodifica con testa congelata.
Questo studio evidenzia come i principali modelli linguistici, nonostante una buona allineamento su questioni sociali generali, falliscano sistematicamente nel rappresentare accuratamente le opinioni religiose, specialmente quelle delle minoranze, in India e nell'Asia orientale e sud-orientale, perpetuando stereotipi negativi che interventi leggeri non riescono a colmare.
Il paper introduce EpisTwin, un'architettura neuro-simbolica che supera i limiti della frammentazione dei dati personali integrando un Grafo della Conoscenza Personale verificabile con modelli linguistici multimodali e ragionamento agente per abilitare una comprensione semantica olistica e contestuale dell'utente.
Questo studio empirico evidenzia le sfide dell'adattamento dei modelli di riconoscimento vocale alle lingue indigene del Pacifico a risorse limitate, dimostrando come le strategie attuali come il LoRA affrontino il dilemma tra plasticità e stabilità e portino a una grave dimenticanza catastrofica durante l'apprendimento continuo.
Questo studio valuta la capacità di ChatGPT di creare pastiche di opere d'arte contemporanea, rivelando attraverso il feedback di dodici artisti e analisi computazionali che, sebbene vi sia una certa somiglianza cromatica e testuale, le generazioni AI mancano di profondità concettuale e intenzionalità, richiedendo pertanto metriche di valutazione complementari rispetto a un singolo indicatore stilistico.
Il paper introduce SAHOO, un framework pratico che monitora e controlla la deriva dell'allineamento durante il miglioramento ricorsivo di sé stessi attraverso tre meccanismi di salvaguardia, garantendo significativi guadagni di qualità in compiti di generazione di codice e ragionamento matematico senza compromettere vincoli di sicurezza e veridicità.
Questo studio presenta un framework trasparente per l'estrazione delle relazioni tra entità matematiche (MERE) basato su modelli Transformer, in particolare BERT che raggiunge il 99,39% di accuratezza, integrato con tecniche di Intelligenza Artificiale Spiegabile (XAI) come SHAP per garantire la fiducia e l'interpretabilità delle previsioni.
Questo studio introduce un nuovo dataset per il compito di selezione di Wason che codifica la modalità deontica, rivelando che i grandi modelli linguistici, proprio come gli esseri umani, ragionano meglio con regole deontiche e commettono errori simili al bias di abbinamento.
Questo studio presenta una comparazione unificata di diversi paradigmi basati su modelli linguistici di grandi dimensioni per la valutazione automatica dei saggi in inglese come seconda lingua, dimostrando che una configurazione che integra il fine-tuning supervisionato e la generazione aumentata dal recupero (RAG) raggiunge le prestazioni migliori con un punteggio F1 del 93%.
Questo studio valuta la capacità dei modelli linguistici di grandi dimensioni di eseguire ragionamenti abduttivi, convertendo un dataset sillogistico per verificare se tali modelli presentino bias simili a quelli umani e per sottolineare l'importanza del ragionamento contestualizzato oltre la deduzione formale.
Il paper presenta PONTE, un framework human-in-the-loop che supera i limiti delle spiegazioni XAI generiche e delle allucinazioni degli LLM, orchestando la generazione di narrazioni personalizzate e affidabili attraverso un ciclo chiuso di validazione, adattamento basato su feedback utente e verifica rigorosa della fedeltà e completezza.
Il paper introduce NOBLE, un'architettura che accelera l'addestramento dei transformer da zero mediante rami a basso rango non lineari permanenti, ottenendo significativi miglioramenti nell'efficienza e nella velocità di convergenza con un minimo sovraccarico di parametri.