148 articoli
Il paper presenta GFM-Retriever, un nuovo approccio che utilizza modelli grafici fondazionali pre-addestrati e un selettore di sottografi basato sul principio del collo di bottiglia dell'informazione per recuperare in modo efficiente e cross-dominio sottografi minimi e sufficienti, migliorando così il ragionamento e la generazione di risposte nel GraphRAG.
Questo studio propone un framework collaborativo basato su modelli linguistici su larga scala (LLM) che opera on-premises per identificare in modo efficiente e privato i pacchetti software crittograficamente rilevanti, facilitando così la transizione verso la crittografia post-quantistica.
Il paper presenta PT-RAG, un nuovo framework di generazione aumentata dal recupero che utilizza un processo di recupero differenziabile e consapevole del tipo cellulare per superare i limiti di generalizzazione dei modelli esistenti nella previsione delle risposte cellulari alle perturbazioni genetiche.
Il paper propone WeDas, un framework che migliora gli agenti di ricerca profonda adattando le query alle strutture di indicizzazione del web attraverso un meccanismo di sonda few-shot per allineare l'intento dell'agente ai risultati di recupero.
Il paper presenta AutoDataset, un sistema leggero e automatizzato che monitora continuamente arXiv per scoprire, estrarre e indicizzare nuovi dataset direttamente dalle pubblicazioni scientifiche, riducendo fino all'80% il tempo necessario per la loro individuazione.
Questo studio empirico dimostra che, indipendentemente dal modello o dal regime di prompting utilizzato, le restrizioni di deployment non impediscono agli LLM di allucinare citazioni bibliografiche, con tassi di esistenza reale che non superano il 47,5% e un'alta incidenza di riferimenti inesistenti o non verificabili.
Questo articolo presenta il primo quadro unificato per i sistemi di RAG agenziali, fornendo una formalizzazione matematica, una tassonomia architetturale completa, un'analisi dei rischi critici e una roadmap per la ricerca futura su questi sistemi autonomi.
Il paper presenta Dial, un sistema NL2SQL basato sulla conoscenza che supera le limitazioni dei metodi esistenti nel gestire diversi dialetti SQL attraverso una pianificazione logica consapevole del dialetto, una base di conoscenza gerarchica e un ciclo di verifica semantica, dimostrando miglioramenti significativi nell'accuratezza e nella copertura delle funzionalità su un nuovo benchmark multi-database.
Il paper introduce SeDa, un sistema unificato che aggrega oltre 7,6 milioni di dataset da più di 200 piattaforme per abilitare la scoperta, l'annotazione semantica e la navigazione contestuale basata su entità, superando i limiti delle attuali soluzioni di ricerca in termini di copertura, tempestività e tracciabilità.
Il paper presenta GP-Tree, un indice spaziale in memoria che combina celle di griglia adattive con una struttura ad albero di prefissi per superare i limiti delle approssimazioni tradizionali, offrendo una precisione di filtraggio superiore e prestazioni di query fino a un ordine di grandezza migliori rispetto agli indici spaziali esistenti.
Il documento propone RecPilot, un nuovo paradigma di raccomandazione basato su agenti multipli che sostituisce le tradizionali liste di elementi con report dettagliati e personalizzati, trasformando il sistema da un semplice filtro passivo a un assistente proattivo che riduce lo sforzo dell'utente nella valutazione delle opzioni.
Il paper propone VRec, un nuovo paradigma "ragiona-verifica-raccomanda" che integra la verifica intermedia nel processo di raccomandazione generativa basata su LLM per mitigare il degrado del ragionamento e migliorare l'accuratezza delle preferenze utente.
Il paper presenta SynPlanResearch-R1, un framework che migliora le prestazioni degli agenti di ricerca web sintetizzando traiettorie di utilizzo degli strumenti che incoraggiano un'esplorazione più profonda durante il fine-tuning supervisionato, ottenendo risultati superiori rispetto alle tecniche attuali su diversi benchmark.
Questo articolo introduce la Sostituzione di Variabili, una tecnica di augmentazione specifica per il dominio che preserva la struttura e il significato delle formule matematiche nei modelli di recupero basati su apprendimento contrastivo grafico, migliorando significativamente le prestazioni di ricerca rispetto alle strategie generiche.
Il paper sostiene che, sebbene i sistemi di recupero basati su LLM con ragionamento possano superare i limiti di "miopia" delle tecniche di similarità di embedding, le loro potenziali prestazioni superiori non sono rilevabili con i dataset di valutazione standard a causa di annotazioni umane affette dallo stesso pregiudizio.
Il paper introduce UIS-Digger, un nuovo framework multi-agente e il benchmark UIS-QA per affrontare la sfida della ricerca di informazioni non indicizzate, dimostrando che un approccio proattivo di navigazione e analisi dei file può superare le prestazioni di modelli LLM più grandi su questo compito specifico.
Il paper introduce SPD-RAG, un framework gerarchico multi-agente che migliora la qualità e la scalabilità della risposta a domande complesse su documenti multipli delegando l'elaborazione a agenti dedicati per documento e sintetizzando i risultati tramite un coordinatore, ottenendo prestazioni superiori rispetto ai metodi RAG tradizionali con costi API ridotti.
Il paper presenta ERASE, un benchmark su larga scala allineato alla realtà per il machine unlearning nei sistemi di raccomandazione, che valuta diverse strategie su molteplici dataset e modelli per colmare il divario tra le attuali metodologie e le esigenze pratiche di privacy ed efficienza.
Questo articolo unifica i metodi di riduzione della varianza per la valutazione on-policy e off-policy, dimostrando l'equivalenza matematica tra gli stimatori standard di differenza di medie e quelli di punteggio di propensione inversa, nonché tra le tecniche di aggiustamento tramite regressione e la stima robusta doppia.
Il paper propone un metodo che equipaggia gli agenti LLM con capacità di recupero native mappando direttamente gli stati nascosti in uno spazio di embedding tramite un leggero strato di proiezione, eliminando la necessità di un modello di embedding separato e mantenendo il 97% della qualità del recupero rispetto alla pipeline standard.