154 articoli
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.
Il paper presenta RED, una rete di deblurring guidata da eventi che migliora la robustezza e le prestazioni nel ripristino di immagini sfocate attraverso una strategia di perturbazione orientata alla robustezza e un meccanismo di disentanglement delle rappresentazioni specifiche per modalità, permettendo una fusione selettiva che separa le informazioni utili dal rumore causato dalla sottostima degli eventi.
Il paper presenta GaiaFlow, un framework innovativo che ottimizza il compromesso tra precisione nella ricerca e sostenibilità ambientale attraverso un'architettura di tuning guidato dalla semantica basata su diffusione, riducendo significativamente l'impronta di carbonio mantenendo elevate prestazioni di recupero.
Questo articolo introduce nuove metriche per valutare l'efficacia degli agenti LLM nel generare SQL su grandi dataset ("Text-to-Big SQL"), dimostrando che le metriche tradizionali sono insufficienti per catturare costi, latenza e impatti legati alla scalabilità nei flussi di lavoro reali.
Questo articolo presenta un modello di apprendimento per il ranking unificato che, superando i limiti delle tradizionali tecniche di fusione, ottimizza la conversione degli utenti su Target.com integrando segnali comportamentali e obiettivi specifici per canale con un'architettura a bassa latenza.
Questo articolo presenta Aletheia, un'estensione del browser basata su LLM e RAG che rileva le fake news fornendo spiegazioni trasparenti e strumenti interattivi per il coinvolgimento degli utenti, dimostrando superiorità nelle prestazioni e nell'usabilità rispetto alle soluzioni esistenti.
Il paper presenta VDCook, un sistema operativo auto-evolutivo per la costruzione dinamica e personalizzata di dataset video tramite query in linguaggio naturale, che integra recupero e sintesi controllata per abbattere le barriere all'addestramento di modelli multimediali in domini specifici.
Il paper presenta AutoThinkRAG, un framework che migliora il ragionamento su documenti complessi tramite un router di difficoltà delle query e un'architettura a decoupling funzionale che combina un piccolo modello visivo per l'interpretazione e un LLM per la deduzione, ottenendo prestazioni all'avanguardia con costi ridotti.
Il paper introduce CBR-to-SQL, un framework basato sul ragionamento per casi che supera le limitazioni dei metodi RAG tradizionali nel dominio sanitario, ottenendo risultati all'avanguardia nella traduzione da testo a SQL su dati EHR grazie a un processo di recupero a due stadi che migliora l'efficienza e la robustezza anche in condizioni di scarsità di dati.
Questo studio dimostra che, sebbene TikTok rispetti formalmente il divieto di pubblicità profilata ai minori previsto dal DSA, aggira tale protezione sfruttando una definizione restrittiva di "pubblicità" che esclude i contenuti promozionali degli influencer, consentendo così una profilazione commerciale nascosta e altamente mirata verso gli adolescenti.
Questo studio valuta l'efficacia di un framework di "nudge" personalizzato per la diversità, combinando un algoritmo di calibrazione duale e suggerimenti generati da LLM, dimostrando che tali interventi possono aumentare la diversità di consumo delle notizie e influenzare positivamente le abitudini di lettura degli utenti verso un equilibrio tra notizie nazionali e internazionali.
Questo articolo propone un approccio in tre fasi per sviluppare agenti conversazionali di chiarimento dell'intento potenziati dalla ricerca, che agiscano come mediatori sicuri per collezioni di dati sensibili (come in ambito sanitario o legale) definendo modelli di attacco, progettando difese specifiche e valutando il compromesso tra protezione e utilità del sistema.
Il paper presenta ChatShopBuddy, un agente conversazionale per lo shopping ottimizzato tramite apprendimento per rinforzo che utilizza il benchmark SmartShopBench, la modellazione gerarchica delle ricompense (HRM) e l'ottimizzazione dinamica delle politiche contrastive (DCPO) per bilanciare efficacemente accuratezza, persuasione ed efficienza operativa.
Il paper presenta OMEGA, un metodo di ricerca appresa top-K generalizzabile a diverse dimensioni K che, addestrato principalmente su K=1 con caratteristiche basate su traiettorie e un procedimento di raffinamento dinamico, supera i metodi esistenti offrendo minore latenza e costi di pre-elaborazione ridotti senza compromettere l'accuratezza.
Il paper presenta MLLMRec-R1, un framework efficiente basato su GRPO che supera le sfide computazionali e di allineamento dei reward nella raccomandazione sequenziale multimodale trasformando i segnali visivi in testo e ottimizzando la supervisione del ragionamento, ottenendo prestazioni superiori rispetto agli stati dell'arte su diversi dataset.
Il paper propone R4T, un metodo che utilizza l'apprendimento per rinforzo una sola volta per generare dati di addestramento allineati agli obiettivi, permettendo di addestrare un recuperatore basato su diffusione leggero che risolve efficientemente problemi di recupero a ventaglio ottimizzando proprietà di insieme come diversità e coerenza con una latenza significativamente ridotta.
Il paper presenta CARROT, un sistema di ottimizzazione della ricerca per RAG che utilizza la Ricerca ad Albero Monte Carlo e un agente di configurazione per selezionare e ordinare in modo ottimale i chunk di conoscenza, superando limiti come la ridondanza e la non monotonicità dell'utilità per migliorare l'accuratezza e l'efficienza della generazione.
Il paper presenta IKGR, un framework di raccomandazione basato su LLM senza tuning che costruisce un grafo della conoscenza incentrato sulle intenzioni estratte tramite RAG per migliorare le prestazioni in scenari di sparsità e cold-start.
Il paper propone Refine-POI, un framework che migliora la raccomandazione del prossimo punto di interesse utilizzando una quantizzazione SOM gerarchica per ID semantici topologicamente consapevoli e un addestramento per rinforzo per generare liste di top-k, superando così i limiti delle metodologie esistenti.
Questo lavoro introduce la suite Ettin, un insieme open-source di modelli encoder-only e decoder-only accoppiati e addestrati con la stessa ricetta su dati massicci, che dimostra come le architetture specializzate superino i modelli adattati incrociatamente per compiti specifici, fornendo allo stesso tempo un dataset completo di checkpoint e dati per la ricerca futura.