1861 articoli
Il paper presenta VQA-MHUG, un nuovo dataset di sguardo umano multimodale che dimostra per la prima volta come una maggiore correlazione tra l'attenzione dei modelli neurali e quella umana sul testo sia un predittore significativo delle prestazioni nel Visual Question Answering, suggerendo la necessità di migliorare i meccanismi di attenzione testuale nelle architetture visione-linguaggio.
Il paper presenta MULAN, il primo metodo che integra l'attenzione umana multimodale (sia visiva che testuale) nei modelli di Visual Question Answering, ottenendo nuovi record di accuratezza sul dataset VQAv2 con un numero di parametri addestrabili ridotto dell'80% rispetto alle tecniche precedenti.
Questo studio presenta un modello di identificazione linguistica (LID) basato su CRNN che, utilizzando coefficienti MFCC, raggiunge un'accuratezza superiore al 98% su tredici lingue indiane e dimostra elevata robustezza al rumore, sollevando al contempo interrogativi sulla necessità universale dei meccanismi di attenzione in tali compiti.
Questo studio riproduce e replica un esperimento fondamentale sulla stilometria avversariale, concludendo che le difese contro l'attribuzione dell'autore potrebbero essere sovrastimate a causa della mancanza di un gruppo di controllo, mentre evidenzia la necessità di riesaminare il metodo automatico di traduzione andata e ritorno per la sua capacità di ridurre l'efficacia delle tecniche di attribuzione.
Questo articolo presenta lo sviluppo e la valutazione di modelli di traduzione statistica bilingue per il passaggio tra l'inglese e quindici lingue indiane a risorse limitate, utilizzando il toolkit MOSES, i dataset Samanantar e OPUS, e metriche standard come BLEU, METEOR e RIBES.
Questo studio valuta la robustezza dei classificatori testuali contro attacchi avversariali, introducendo il benchmark BODEGA per quattro compiti di rilevamento della disinformazione e dimostrando che i modelli linguistici moderni sono spesso più vulnerabili rispetto alle soluzioni precedenti.
Questo studio propone l'uso di BERTimbau per prevedere i pittogrammi nei sistemi di comunicazione aumentativa e alternativa per il portoghese brasiliano, dimostrando che la rappresentazione dei pittogrammi tramite didascalie, sinonimi o definizioni offre prestazioni simili, con le didascalie che garantiscono la massima accuratezza.
Il paper presenta FiADD, un nuovo framework che migliora il rilevamento dell'odio implicito e di altre forme di comunicazione indiretta potenziando i modelli linguistici preaddestrati attraverso un'infusione inferenziale focalizzata e una discriminazione di densità trattabile per avvicinare le forme superficiali a quelle implicite e massimizzare la separazione tra le classi.
Questo studio introduce BodoBERT, il primo modello linguistico per la lingua Bodo, e un modello di tagging delle parti del discorso basato su deep learning che combina BiLSTM-CRF e BodoBERT, raggiungendo un punteggio F1 di 0,8041.
Questo studio presenta un modello statistico per stimare la frazione di testo generato o modificato da LLM nelle revisioni paritarie di conferenze sull'intelligenza artificiale, rivelando che tra il 6,5% e il 16,9% del contenuto potrebbe essere influenzato da ChatGPT, con una correlazione significativa tra l'uso di tali strumenti e fattori come la bassa confidenza, la vicinanza alla scadenza e la riluttanza a rispondere alle obiezioni degli autori.
Il paper dimostra che, per i protocolli di broadcast non bloccanti Wait-Only, i problemi di copertura dello stato e della configurazione, noti per essere decidibili e di complessità Ackermann, diventano rispettivamente P-completi e PSPACE-completi.
Il paper propone uno schema di watermarking leggero e guidato dal tema per i grandi modelli linguistici che, partizionando il vocabolario in sottoinsiemi allineati semanticamente, garantisce robustezza contro gli attacchi e mantiene la qualità del testo senza richiedere framework aggiuntivi.
Uno studio su oltre 100 milioni di commenti Reddit dimostra che l'uso di "parole trigger" nel dibattito politico britannico è associato a un aumento significativo dell'engagement e dell'animosità, confermando il loro ruolo cruciale nel modellare la polarizzazione online.
Il paper presenta NutriBench, il primo dataset pubblico di descrizioni di pasti verificati da umani e annotati con dati nutrizionali, utilizzato per valutare le prestazioni di diversi modelli linguistici di grandi dimensioni (LLM) nella stima dei carboidrati, dimostrando che possono offrire stime comparabili a quelle dei nutrizionisti ma con maggiore velocità e analizzando il loro impatto potenziale sulla gestione del diabete.
Questo articolo presenta MELODI, un framework e un dataset innovativi per monitorare e analizzare il consumo energetico durante l'inferenza dei modelli linguistici di grandi dimensioni, rivelando come le caratteristiche dei prompt influenzino l'efficienza energetica e sottolineando la necessità di ottimizzazioni per un'IA più sostenibile.
Il paper introduce BA-LoRA, un metodo di adattamento a basso rango che mitiga l'eredità catastrofica nei grandi modelli linguistici attraverso regolarizzatori mirati, migliorando al contempo le prestazioni, la stabilità e l'equità rispetto alle varianti LoRA esistenti.
Questo studio analizza le differenze tra l'allineamento e la versione delle ontologie, proponendo e validando una pipeline OM4OV con un meccanismo di cross-reference per ottimizzare il rilevamento delle modifiche e migliorare le prestazioni dei sistemi di allineamento esistenti.
Questo studio analizza le cause della divergenza nelle preferenze umane, dimostrando che non sono semplici rumori ma derivano da fattori come l'indeterminazione del compito o lo stile di risposta, e propone metodi per mitigare tale impatto nella valutazione e nell'addestramento dei modelli linguistici.
Il paper introduce Waffle, una nuova strategia di fine-tuning che utilizza meccanismi di attenzione strutturale e apprendimento contrastivo per migliorare la capacità dei modelli linguistici di generare codice HTML a partire da interfacce utente visive, ottenendo risultati superiori rispetto ai metodi attuali su benchmark specifici.
Lo studio dimostra che ChatGPT può codificare efficacemente i dati comunicativi per la valutazione delle abilità di problem-solving collaborativo, sebbene le prestazioni varino in base al modello, al framework di codifica e alle caratteristiche del compito, fornendo così indicazioni pratiche per rendere scalabile tale analisi.