152 articoli
Il paper introduce OfficeQA Pro, un benchmark per valutare le capacità di ragionamento fondato su documenti degli agenti AI, rivelando che anche i modelli linguistici più avanzati faticano a ottenere risultati affidabili su un vasto corpus di bollettini del Tesoro degli Stati Uniti, sebbene l'uso di rappresentazioni documentali strutturate possa migliorare significativamente le prestazioni.
Questo articolo offre una panoramica completa delle ricerche sull'interpretabilità e la spiegabilità dei metodi di elaborazione del linguaggio naturale e di recupero delle informazioni, esaminando in particolare tecniche applicate a word embeddings, modelli sequenziali, meccanismi di attenzione, transformer, BERT e ranking dei documenti, per concludere con suggerimenti per la ricerca futura.
Il paper propone ADC-SID, un framework che migliora la generazione robusta di ID semantici nei sistemi di raccomandazione adattando l'allineamento tra contenuto e comportamento e ponderando dinamicamente i segnali collaborativi per mitigare il rumore e migliorare la generalizzazione sugli elementi a coda lunga.
Questa ricerca dimostra che l'ordine di valutazione (prima la recensione o prima il voto) polarizza le recensioni dei consumatori, aumentando i voti estremi per servizi di alta o bassa qualità grazie a euristiche affettive e sforzo cognitivo, un effetto confermato sia da esperimenti controllati che da dati reali di piattaforme come Yelp e Letterboxd.
Lo studio dimostra che i reranker dotati di capacità di ragionamento non migliorano né peggiorano l'equità rispetto a quelli tradizionali, poiché tendono a preservare le caratteristiche di equità della classifica di input, indicando la necessità di futuri modelli specializzati nella consapevolezza degli attributi di equità.
Questo lavoro propone una riformulazione dei sistemi di raccomandazione generativi che, sostituendo l'interleaving dei token con le nuove architetture AttnLFA e AttnMVP, elimina le inefficienze strutturali modellando esplicitamente le dipendenze causali tra articoli e azioni, ottenendo così migliori prestazioni di valutazione e una riduzione significativa dei tempi di addestramento.
Il paper propone DGI (Differentiable Geometric Indexing), un nuovo approccio per il recupero generativo che risolve i conflitti di ottimizzazione e geometrici esistenti unificando l'indicizzazione e il recupero in un quadro differenziabile e sostituendo le logiche basate sul prodotto interno con una similarità coseno scalata per migliorare la robustezza nei casi di coda lunga.
Il paper propone un framework unificato per la raccomandazione di notizie che modella l'evoluzione degli interessi degli utenti su due livelli temporali, combinando segnali globali a lungo termine con dinamiche locali a breve termine basate su sottografi temporali, superando così i limiti degli approcci statici esistenti.
Il paper presenta un nuovo framework per agenti basati su LLM che estrae automaticamente lezioni dalle traiettorie di esecuzione e le utilizza come memoria contestuale per migliorare le prestazioni future, ottenendo significativi aumenti nel completamento di compiti complessi.
Il paper presenta ExBI, un sistema innovativo basato su un modello di ipergrafi che supera i limiti dei sistemi di Business Intelligence tradizionali consentendo l'evoluzione dinamica dello schema e il riutilizzo delle viste, ottenendo accelerazioni significative (fino a 230 volte) rispetto a database esistenti come Neo4j e MySQL mantenendo un'accuratezza analitica elevata.
Il paper propone TriRec, il primo framework di raccomandazione basato su agenti LLM a tre parti che coordina utilità dell'utente, esposizione degli articoli e equità della piattaforma, dimostrando come l'autopromozione degli articoli possa migliorare simultaneamente equità ed efficacia senza compromessi.
Lo studio dimostra che l'utilizzo di dati strutturati collegati, in particolare pagine entità ottimizzate con istruzioni per agenti e collegamenti neurali, migliora significativamente l'accuratezza e la qualità delle risposte nei sistemi RAG tradizionali e agentic rispetto alla semplice elaborazione di testo piatto.
Il paper presenta RAGPerf, un framework open source end-to-end per il benchmarking dei sistemi di Retrieval-Augmented Generation che, decodificando il flusso di lavoro in componenti modulari, permette un'analisi dettagliata delle prestazioni e della qualità attraverso la configurazione flessibile di modelli, database vettoriali e carichi di lavoro realistici.
Questo studio presenta una pipeline assistita da LLM che trasforma quattro protocolli di identificazione delle metafore in script di regole eseguibili e interpretabili per il cinese, dimostrando che la scelta del protocollo è il fattore dominante nella variabilità dei risultati e che tale approccio garantisce trasparenza e riproducibilità senza compromettere le prestazioni.
Il paper presenta un nuovo corpus bilingue (inglese/tedesco) di record bibliografici annotati con l'Integrated Authority File (GND) e una tassonomia machine-actionable, progettato per abilitare la classificazione multi-etichetta consapevole dell'ontologia e supportare catalogatori umani tramite assistenti AI trasparenti e valutabili.
Il paper presenta PharmGraph-Auditor, un sistema ibrido che combina un Knowledge Base farmaceutico unificato e una nuova catena di verifica basata su conoscenze per potenziare la sicurezza e la tracciabilità nella verifica delle prescrizioni, trasformando i modelli linguistici da generatori inaffidabili a motori di ragionamento trasparenti.
Questo studio sistematico analizza l'impatto delle fonti e dei modelli di feedback sulla pseudo-relevance feedback basata su LLM, rivelando che la scelta del modello è cruciale e che l'uso esclusivo di testo generato dall'LLM offre la soluzione più efficiente in termini di costi, mentre il feedback derivato dal corpus risulta più vantaggioso quando si utilizzano documenti candidati da un recuperatore iniziale robusto.
Il paper presenta LLMGreenRec, un innovativo sistema di raccomandazione basato su agenti multipli e modelli linguistici su larga scala che promuove il consumo sostenibile nell'e-commerce ottimizzando le raccomandazioni di prodotti ecologici e riducendo al contempo l'impronta di carbonio digitale.
Il paper introduce le "Reading Activity Traces" (RATs), un approccio che riconosce la lettura come attività creativa in sé e per il futuro, rendendo visibili i processi interpretativi umani spesso oscurati dall'automazione algoritmica attraverso un'istanza speculativa su Wikipedia chiamata WikiRAT.
Il paper propone HCT-QA, un nuovo benchmark completo per la risposta alle domande su tabelle complesse e orientate all'uomo (HCT), che include migliaia di esempi reali e sintetici per valutare e migliorare le prestazioni di modelli linguistici e visivi.