154 articoli
Il paper presenta AriadneMem, un sistema di memoria strutturato per agenti LLM che risolve i problemi di evidenze disconnesse e aggiornamenti di stato tramite un processo a due fasi, ottenendo significativi miglioramenti nell'accuratezza e una drastica riduzione dei tempi di esecuzione e dell'uso del contesto.
Il paper propone MA-RAG, un framework di RAG agenziale multi-round che trasforma i conflitti semantici in query di ricerca iterativa per raggiungere un consenso medico ad alta fedeltà, ottenendo un miglioramento significativo dell'accuratezza rispetto ai modelli di base e alle tecniche esistenti.
Il paper presenta PlugMem, un modulo di memoria plugin indipendente dal compito che, ispirandosi alle scienze cognitive, trasforma le memorie episodiche in un grafo della conoscenza compatto ed estensibile, permettendo agli agenti LLM di recuperare informazioni rilevanti in modo efficiente e superando sia le soluzioni specifiche per compito che i metodi agnostici esistenti.
Questo articolo propone un framework multi-agente basato su Retrieval-Augmented Generation (RAG) e modelli visione-linguaggio per ottimizzare la gestione della conoscenza e la formazione del personale nei dipartimenti dei trasporti statali, superando le limitazioni dei metodi tradizionali attraverso la generazione di risposte contestuali e verificate.
Questa ricerca propone un framework ibrido che integra modelli linguistici di grandi dimensioni (LLM) e il profilo cognitivo VARK per superare il problema del cold start nei sistemi di raccomandazione, generando suggerimenti personalizzati e spiegabili anche in assenza di dati storici sugli utenti.
MemSifter è un framework innovativo che ottimizza il recupero della memoria per i grandi modelli linguistici (LLM) delegando tale processo a un modello proxy più piccolo addestrato con apprendimento per rinforzo guidato dai risultati, offrendo una soluzione efficiente ed economica che supera le prestazioni degli approcci esistenti.
Il paper introduce le Graph Hopfield Networks, un modello di classificazione dei nodi basato sull'energia che combina il recupero della memoria associativa con l'ottimizzazione del Laplaciano del grafo, ottenendo prestazioni superiori e maggiore robustezza rispetto ai metodi standard su diversi dataset.
Il paper introduce SafeCRS, un framework di addestramento e il dataset SafeRec progettati per allineare i sistemi di raccomandazione conversazionale basati su LLM a vincoli di sicurezza personalizzati, riducendo drasticamente le violazioni senza compromettere la qualità delle raccomandazioni.
Il paper introduce AgentSelect, il primo benchmark unificato che trasforma la selezione degli agenti LLM in un problema di raccomandazione basato su query narrative, fornendo un vasto dataset di interazioni e profili di capacità per superare la frammentazione attuale e abilitare modelli di raccomandazione più efficaci e generalizzabili.
Questo articolo presenta HAP, un approccio di pre-ranking che gestisce l'eterogeneità dei candidati nei sistemi di raccomandazione disaccoppiando i campioni facili e difficili per ottimizzare l'addestramento e l'allocazione computazionale, ottenendo miglioramenti significativi nelle metriche di engagement nel sistema di produzione di Toutiao senza costi aggiuntivi.
Il paper presenta DisenReason, un metodo innovativo per la raccomandazione sequenziale in account condivisi che supera i limiti dei modelli esistenti disentanglando i comportamenti degli utenti nel dominio della frequenza per generare una rappresentazione collettiva dell'account, la quale funge da base per un ragionamento latente che inferisce dinamicamente il numero di utenti reali, ottenendo così prestazioni superiori rispetto agli stati dell'arte.
Questo articolo presenta LabelBuddy, uno strumento open source di annotazione audio collaborativo che utilizza modelli di intelligenza artificiale e agenti autonomi per colmare il divario tra l'intento umano e la comprensione delle macchine, superando le limitazioni degli strumenti di tagging statici.
Il paper introduce -Knowledge, un nuovo benchmark che valuta le capacità degli agenti conversazionali di integrare conoscenze non strutturate e strumenti in scenari realistici come il supporto bancario, rivelando che anche i modelli all'avanguardia faticano a recuperare documenti pertinenti e applicare politiche complesse con un tasso di successo di circa il 25,5%.
Questo studio analizza un vasto dataset di video YouTube per rivelare la diffusione del marketing di affiliazione e la scarsa conformità alle normative FTC, dimostrando come le funzionalità standardizzate della piattaforma possano migliorare la trasparenza e raccomandando una collaborazione tra regolatori, partner e piattaforma per rafforzare la fiducia nell'economia degli influencer.