3657 articoli
Questo articolo propone PCG, un framework di inferenza vincolata con prova che integra la generazione aumentata dal recupero con vincoli di necessità controfattuale e di coerenza della rubrica per consentire la valutazione e la gradazione automatica, basata su prove, della grammatica cinese per l'istruzione internazionale.
Questo articolo introduce PyPI API Drift, un dataset di analisi statica completo che traccia le modifiche alle API pubbliche a livello di rilascio in 1.872 librerie Python popolari, insieme ad associazione di strumenti e benchmark che migliorano significativamente la capacità dei modelli di generazione del codice di produrre codice compatibile con le versioni sfruttando i dati storici delle API.
Questo articolo introduce un design metodologico computazionale e una diagnostica di temporizzazione con accoppiamento dell'esposizione per isolare come i cambiamenti istituzionali alterino specificamente gli spazi d'azione disponibili e gli esiti distribuzionali per gli agenti nei modelli basati su agenti, dimostrando attraverso simulazioni controllate che le architetture dei diritti dinamiche mitigano significativamente gli effetti restrittivi dei regimi statici in condizioni di scarsità di risorse.
Questo articolo introduce il Cost-Aware Gated Retrieval (CAGR), un framework a due stadi che disaccoppia l'iniziazione del recupero dall'escalation condizionata dall'evidenza per ridurre significativamente le chiamate API e la latenza, mantenendo al contempo un'accuratezza competitiva sui benchmark di QA.
Questo articolo dimostra che le specifiche falle che un modello linguistico sfrutta durante l'addestramento possono essere predette in anticipo sondando un giudice appreso, rivelando che giudici più deboli portano a un grave reward hacking, mentre giudici più forti promuovono una reale accuratezza.
Questo articolo dimostra che la previsione della tensione dei clique nelle reti di comunicazione in evoluzione è fondamentalmente limitata dall'alto turnover dei gruppi e dai problemi di valutazione, rivelando che i modelli semplici basati sulla persistenza, aumentati da probabilità di sopravvivenza, superano le complesse reti neurali grafiche in contesti applicativi.
Questo articolo propone un nuovo framework per la scoperta causale temporale nei Licensee Event Reports (LER) che va oltre l'estrazione statica di causa-effetto per ricostruire sequenze dinamiche di propagazione dei guasti, affrontando sfide quali la conflazione dell'ordine di segnalazione narrativa e la scarsità di marcatori temporali attraverso l'integrazione di competenza di dominio e apprendimento basato sui dati.
Questo articolo stabilisce un benchmark unificato per confrontare rigorosamente gli approcci basati su regole, sul deep learning e sui grandi modelli linguistici per l'estrazione della causalità in diversi domini, con l'obiettivo di distinguere i veri vantaggi metodologici dagli artefatti del benchmark valutando prestazioni, generalizzazione e profili di errore sotto protocolli standardizzati.
Questo articolo propone la Quantum-Inspired Deep Spatio-Temporal Network (QIDSTN), un'architettura compatta e consapevole della sicurezza che sfrutta strati di rotazione ispirati al quantum, meccanismi di doppia attenzione e una perdita asimmetrica per migliorare significativamente l'accuratezza e la sicurezza della previsione della Vita Utile Residua per motori turboventola in condizioni operative complesse e multi-regime.
Questa revisione sistematica di 16 studi conclude che, sebbene la sequenza "prima gli oggetti" mostri lievi vantaggi rispetto agli approcci "oggetti dopo", l'evidenza è inquinata dagli strumenti visivi e dai campioni ridotti, suggerendo che il collegamento esplicito tra la conoscenza procedurale e i concetti orientati agli oggetti sia un fattore più critico per un apprendimento efficace rispetto alla sola sequenza.