2384 papers
Dit artikel toont aan dat autonome AI-analisten, gebaseerd op grote taalmodellen, op grote schaal de variatie in analytische beslissingen en uiteenlopende conclusies kunnen repliceren die bij menselijke 'many-analyst'-studies worden waargenomen, wat de noodzaak onderstreept van transparante rapportage en volledige openbaarmaking van prompts om selectieve rapportage in de AI-gestuurde wetenschap te voorkomen.
LAVIDA is een end-to-end zero-shot framework voor video-anomaliedetectie dat gebruikmaakt van een Multimodal Large Language Model en een Anomaly Exposure Sampler om pseudo-anomalieën te genereren, waardoor het zonder echte trainingsdata state-of-the-art prestaties bereikt op diverse benchmarks.
Het paper introduceert PatchDenoiser, een lichtgewicht en energiezuinig multi-schaal denoising-framework voor low-dose CT-beelden dat ruis effectief onderdrukt terwijl het fijne anatomische details behoudt en aanzienlijk efficiënter is dan bestaande CNN-, GAN- en transformer-methoden.
Dit paper introduceert Hubscan, een open-source beveiligingsscanner die hubness-vergiftiging in Retrieval-Augmented Generation-systemen detecteert door een multi-detectorarchitectuur te gebruiken die statistische analyse, clusterverdeling en stabiliteitstests combineert om schadelijke 'hubs' in vectorindexen te identificeren.
Dit paper introduceert AMLRIS, een trainingsstrategie die pixel-voor-pixel visueel-taaluitlijning kwantificeert en onbetrouwbare gebieden maskeert tijdens het trainen voor Referring Image Segmentation, waardoor de prestaties en robuustheid van het model aanzienlijk worden verbeterd zonder extra inferentie-overhead.
Deze paper introduceert een minimaal, open-source agentyssysteem voor geautomatiseerd stellingbewijzen dat door gebruik te maken van iteratieve verfijning en bibliotheekzoekopdrachten concurrerende prestaties levert ten opzichte van geavanceerde systemen, terwijl het aanzienlijk eenvoudiger is en kostenefficiënter.
Dit onderzoek toont aan dat veiligheidsgealigneerde grote taalmodellen een 'defensieve weigeringsbias' vertonen waarbij ze geautoriseerde cyberverdedigingstaken onterecht weigeren vanwege het gebruik van gevoelige termen, zelfs wanneer expliciete autorisatie wordt gegeven, wat wijst op een tekortkoming in het onderscheiden van intentie en autorisatie.
Dit paper introduceert CARE, een agentisch raamwerk dat multi-modale medische redenering verbetert door het werkproces te ontleden in gespecialiseerde modules voor visuele gronding en redenering, waardoor de nauwkeurigheid en klinische verantwoordbaarheid van AI-systemen aanzienlijk stijgt.
Dit paper introduceert SEED-SET, een Bayesiaans experimenteel ontwerpframework dat objectieve evaluaties en subjectieve oordelen van belanghebbenden combineert via hiërarchische Gaussische processen om ethische benchmarks voor autonome systemen efficiënter en interpreteerbaarder te maken.
Dit paper introduceert BrandFusion, een nieuw multi-agent framework dat automatisch en naadloos merkintegratie mogelijk maakt in tekst-naar-video-generatie door promptgetrouwheid, herkenbaarheid en contextuele natuurlijkheid te waarborgen via een offline kennisbasis en een online iteratief refinementsproces.
Deze studie toont aan dat parameter-efficiënte fine-tuning (PEFT) voor meerdere code-analysetaken tegelijkertijd een uitstekende prestatie-efficiëntiebalans biedt die vaak volledig fine-tuning benadert of zelfs overtreft, terwijl het opslag- en rekencosten aanzienlijk verlaagt en superieur is aan directe prompting van grote open-source modellen.
Dit paper introduceert Targeted Reasoning Unlearning (TRU), een nieuwe methode die gebruikmaakt van een redeneringsgebaseerde doelstelling om ongewenste kennis in grote taalmodellen nauwkeurig en uitlegbaar te verwijderen zonder de algemene prestaties te schaden.
Dit paper introduceert AraModernBERT, een voor het Arabisch aangepaste encoder-only transformer die door middel van transtokenized initialisatie en native lange-contextmodellering tot 8.192 tokens aanzienlijke prestatieverbeteringen boekt op zowel taalmodellering als diverse downstream-taken.
Dit paper introduceert MoE-SpAc, een inferentieframework voor MoE-modellen op heterogene randapparaten dat speculatieve decoding gebruikt als voorspellende sensor voor geheugenbeheer en dynamische werklastverdeling, wat resulteert in aanzienlijke snelheidsverbeteringen ten opzichte van bestaande methoden.
Deze empirische studie toont aan dat grote taalmodellen, vergelijkbaar met het Dunning-Kruger-effect bij mensen, vaak een onterecht hoog zelfvertrouwen vertonen wanneer hun prestaties laag zijn, wat belangrijke implicaties heeft voor de veilige inzet van deze modellen.
Dit onderzoek kwantificeert hallucinaties in medische vraag-antwoordtaken van taalmodellen en toont aan dat LLaMA-70B-Instruct in 19,7% van de gevallen feitelijke fouten maakt ondanks hoge plausibiliteit, terwijl een negatief verband wordt gevonden tussen hallucinatiepercentages en de door clinici beoordeelde bruikbaarheid.
Deze paper introduceert een framework dat de prestaties van Large Language Models bij Feature Transformation verbetert door een gesloten lus te gebruiken waarin trajecten van succesvolle transformaties worden geëvolueerd en geselecteerd via diversiteitsbewuste contextoptimalisatie, wat leidt tot superieure resultaten op diverse tabulaire benchmarks.
Dit artikel presenteert een pipeline die causaal gefundeerde circuits in GPT-2 Small koppelt aan betrouwbare natuurlijke taalverklaringen, waarbij wordt vastgesteld dat LLM-generatie superieur is aan sjablonen maar dat modelvertrouwen geen voorspeller is voor de eerlijkheid van de verklaringen.
Dit artikel introduceert de System Hallucination Scale (SHS), een lichtgewicht, mensgericht instrument dat, in navolging van bestaande psychometrische schalen, hallucinatiegerelateerd gedrag in grote taalmodellen evalueert vanuit het gebruikersperspectief en in een realistische studie met 210 deelnemers is gevalideerd als een betrouwbaar hulpmiddel voor systemontwikkeling en monitoring.
Deze paper presenteert een twee-trapsarchitectuur die LLaMA-3.1-8B-Instruct en een fijngetune Legal-Roberta-Large combineert om non-disclosure agreements automatisch te segmenteren en te classificeren, wat resulteert in een hoge precisie en haalbaarheid voor de analyse van deze juridische documenten.