141 articoli
Il paper presenta MITRA, un assistente AI basato su Retrieval-Augmented Generation (RAG) ospitato on-premise per le collaborazioni scientifiche come CMS, che utilizza un'architettura a due livelli e tecniche di estrazione avanzate per recuperare in modo sicuro ed efficiente informazioni da vasti corpus di documentazione interna.
Il paper presenta RecThinker, un framework agenziale che trasforma i sistemi di raccomandazione da un approccio passivo a uno di indagine autonoma, utilizzando un paradigma di analisi-pianificazione-azione e strumenti specializzati per colmare le lacune informative e ottimizzare le raccomandazioni attraverso un addestramento ibrido supervisionato e per rinforzo.
La seconda edizione della traccia TREC 2025 RAG promuove la ricerca su sistemi che integrano recupero e generazione per rispondere a complesse esigenze informative reali, introducendo query narrative e valutando la trasparenza e la correttezza fattuale delle risposte su oltre 150 contributi.
Il paper propone un metodo interpretabile per il recupero fine-granularità di movimenti 3D tramite immagini di angoli articolari e un'interazione tardiva token-patch, superando i limiti dei metodi basati su embedding globali e ottenendo risultati superiori su HumanML3D e KIT-ML.
Questo lavoro introduce un approccio di potatura dei token per i modelli di recupero a interazione tardiva, fondato sulla geometria iperspaziale e sulla stima delle celle di Voronoi, che riduce l'overhead di archiviazione dell'indice mantenendo la qualità del recupero e offrendo nuove intuizioni sul comportamento dei token.
Questo articolo offre una panoramica incentrata sull'apprendimento automatico del Computerized Adaptive Testing (CAT), esaminando come le tecniche di ML possano ottimizzare i modelli di misurazione, la selezione delle domande e il controllo dei test per creare sistemi più robusti, equi ed efficienti rispetto ai metodi psicometrici tradizionali.
Il documento presenta KrishokBondhu, un sistema di consulenza agricola basato su voce e integrato con un centro chiamate per gli agricoltori bengalesi, che utilizza un framework di generazione aumentata dal recupero (RAG) per fornire risposte esperte e contestualizzate in tempo reale, dimostrando un miglioramento significativo nella qualità e completezza delle risposte rispetto ai benchmark esistenti.
Il paper propone PESO, un metodo di adattamento continuo basato su LoRA che utilizza un regolarizzatore prossimale per bilanciare efficacemente l'adattamento ai nuovi comportamenti degli utenti e la preservazione delle conoscenze recenti nei sistemi di raccomandazione generativa basati su LLM, superando i limiti delle tecniche esistenti.
Questo lavoro introduce un sistema di ricerca semantica su scala web per 9,2 milioni di teoremi matematici, dimostrando che l'uso di descrizioni in linguaggio naturale e modelli di embedding avanzati migliora significativamente il recupero di risultati specifici rispetto ai metodi tradizionali basati su interi articoli.
Il documento dimostra che le pipeline ibride RAG, combinando ricerca vettoriale ed espansione su grafo, introducono un nuovo rischio di sicurezza chiamato "Retrieval Pivot Attacks" che permette la fuoriuscita di dati tra tenant attraverso entità condivise, ma evidenzia che tale vulnerabilità può essere eliminata efficacemente applicando controlli di autorizzazione al confine di espansione del grafo.
Questo articolo descrive come l'uso di un modello LLM specializzato per generare milioni di etichette di rilevanza testuale abbia permesso di migliorare significativamente il ranking dell'App Store, superando la scarsità di dati etichettati manualmente e ottenendo un aumento del tasso di conversione, specialmente per le query a coda lunga.
Il paper introduce l'Isotonic Layer, un nuovo framework differenziabile che integra l'adattamento lineare a tratti nelle architetture neurali per imporre un bias monotono globale, permettendo una calibrazione granulare e adattiva che mitiga efficacemente i pregiudizi sistematici e migliora l'affidabilità dei sistemi di raccomandazione su larga scala.
Il documento presenta la Teoria dello Spazio di Esplorazione (EST), un quadro formale basato sulla teoria degli spazi di conoscenza e sull'analisi dei concetti formali che modella le dipendenze prerequisito tra punti di interesse per garantire raccomandazioni strutturalmente valide, spiegabili e ottimali all'interno di sistemi di raccomandazione basati sulla posizione.
Il paper presenta T-REX, un'architettura transformer innovativa progettata per la raccomandazione di categorie di prodotti nella spesa online, che supera i limiti dei modelli esistenti gestendo efficacemente le dipendenze temporali e le relazioni tra articoli attraverso un approccio di mascheramento causale e una modellazione a livello di categoria.
Il paper introduce PAG, un nuovo framework per la ricerca approssimata dei vicini più prossimi che integra tecniche di proiezione in un indice grafico per soddisfare simultaneamente le esigenze moderne di efficienza, velocità di indicizzazione, basso consumo di memoria e scalabilità, superando le prestazioni di HNSW.
Questo lavoro dimostra che l'uso di encoder pre-allineati per immagini e nuvole di punti, combinato con una nuova perdita di contrasto hard multi-modale, permette di ottenere prestazioni state-of-the-art nel recupero di forme 3D da immagini, eliminando la necessità di sintesi di viste e consentendo il recupero zero-shot senza riaddestramento.
Questo articolo presenta un framework web basato su Large Language Models che automatizza e scala la creazione di database scientifici aperti, riducendo significativamente il lavoro manuale e ottenendo un'accuratezza del 90% rispetto a database curati da esperti.
Il paper presenta Multi-TAP, un nuovo framework per la raccomandazione cross-dominio che supera i metodi esistenti modellando l'eterogeneità delle preferenze utente attraverso una rappresentazione semantica multi-criterio adattiva, ottenendo risultati superiori su dataset reali.
Il paper propone PSAD, un nuovo framework di reranking personalizzato che combina generazione semi-autoregressiva e distillazione della conoscenza online per bilanciare efficacemente qualità e latenza, migliorando al contempo l'interazione tra utenti e articoli.
Il paper presenta DCTR, un meccanismo di recupero tabelle che utilizza la decomposizione di query tipizzate e la consapevolezza della connettività globale per migliorare la risposta a domande complesse su database relazionali, dimostrando robustezza su benchmark industriali.