13361 papers
Het paper introduceert TRUST-SQL, een tool-geïntegreerd multi-turn reinforcement learning-framework dat agents in staat stelt om effectief tekst-naar-SQL-query's te genereren in onbekende schema-omgevingen door middel van een geautomatiseerd vierfasenprotocol en een innovatieve Dual-Track GRPO-strategie, wat leidt tot aanzienlijke prestatieverbeteringen ten opzichte van bestaande methoden.
Dit paper introduceert RetailBench, een benchmark voor het evalueren van lange-termijn besluitvorming van LLM-agenten in realistische retailomgevingen, en stelt een nieuw raamwerk voor dat strategisch redeneren scheidt van uitvoering om stabiliteit te verbeteren, hoewel fundamentele beperkingen blijven bestaan bij toenemende taakcomplexiteit.
Dit paper introduceert HyDRA, een hybride architecture voor deductief redenering die multimodale emotionele herkenning in open vocabulaires verbetert door een Propose-Verify-Decide-protocol en versterkingslering toe te passen om ambiguïteit op te lossen en interpreteerbare bewijsvoering te genereren.
Dit paper introduceert een nieuw bi-niveau optimalisatie-algoritme genaamd DS-PPO, gebaseerd op multi-agent versterkende leer, dat de uitdagingen van verouderde kanaalstatusinformatie (CSI) in multi-satellietcommunicatiesystemen effectief aanpakt door de totale doorvoer te maximaliseren via zowel individuele als gecoördineerde satellietacties.
Deze studie toont aan dat tussenliggende structuren in schema-gestuurde LLM-pipelines voornamelijk fungeren als beïnvloedende context in plaats van stabiele causale mediators, aangezien modellen vaak falen om hun voorspellingen aan te passen wanneer deze structuren worden gemanipuleerd.
Dit paper introduceert DST-Net, een dubbelstroom-Transformer-netwerk dat gebruikmaakt van verlichtingsonafhankelijke signaalprioriën en multi-schaal ruimtelijke convoluties om beelden bij zwakke lichtomstandigheden effectief te verbeteren zonder in te leveren op de oorspronkelijke signaalkwaliteit.
Deze paper introduceert UOT-Unlearn, een nieuw framework dat onbalans optimale transport gebruikt om klassen effectief te laten vergeten in één-staps generatieve modellen terwijl de algehele generatiekwaliteit behouden blijft.
Dit paper introduceert ExpressMind, een multimodaal voorgetraind groot taalmodel dat speciaal is ontwikkeld voor intelligente snelwegoperaties door een nieuw dataset, een dubbel-laags trainingsparadigma, een grafiek-gestuurde RAG-framework en een RL-gealigneerde redeneermethode te combineren om gebeurtenisdetectie, veiligheidsrespons en verkeersanalyse te verbeteren.
Deze paper introduceert een nieuw dataset met milliseconden-resolutie voor draadloze en verkeersdata om bestaande tijdreeks-foundationmodellen te testen, waarbij blijkt dat deze modellen slecht presteren op dergelijke hoogfrequente data en dat het integreren van dit type datasets essentieel is voor hun verdere ontwikkeling.
Het paper introduceert FEAT, een foundation model met lineaire complexiteit dat door middel van een hybride dual-as architectuur de beperkingen van bestaande modellen voor zeer grote gestructureerde data overwint en aanzienlijk snellere inferentie biedt zonder in te leveren op prestaties.
Dit onderzoek toont aan dat parameter-efficiënt fine-tuning met LoRA voor het genereren van domeinspecifieke code uit natuurlijke taal over het algemeen superieure nauwkeurigheid en domeinalignement biedt vergeleken met prompting-technieken zoals few-shot learning en RAG, hoewel deze laatste methoden een kosteneffectieve alternatief vormen voor flexibiliteit.
Dit paper introduceert een front-end patroon genaamd 'bounded calibration with contestability' voor LLM-gestuurde robots, dat prioritering in sociale situaties reguleert door deze te beperken tot goedgekeurde modi, de actieve modus transparant te maken en een specifieke bezwaarmogelijkheid te bieden zonder de globale regels te heronderhandelen.
Dit paper introduceert DanceHA, een multi-agent framework voor documentgebaseerde aspectgebaseerde sentimentintensiteitsanalyse in informele teksten, dat een 'divide-and-conquer'-strategie en mens-AI-samenwerking combineert om het onderzochte Inf-ABSIA-dataset te creëren en effectieve kennisoverdracht naar studentmodellen mogelijk te maken.
Het paper introduceert CompDiff, een hiërarchisch compositional diffusion-framework dat het probleem van ongelijke generatiekwaliteit bij zeldzame demografische groepen in medische beeldvorming oplost door conditionering op representatieniveau te decomponeren, wat leidt tot verbeterde eerlijkheid, zero-shot generalisatie en prestaties van downstream-klassificatoren.
Het artikel introduceert EmoLLM, een framework dat cognitieve en emotionele intelligentie combineert via een expliciet Appraisal Reasoning Graph en versterkt leren met reverse-perspectief redenering, om in dialogen zowel feitelijk betrouwbaar als emotioneel adequaat te reageren.
Het paper introduceert BenchPreS, een benchmark die aantoont dat geavanceerde taalkundige modellen met persistente geheugenfuncties moeite hebben om persoonlijke voorkeuren contextueel correct toe te passen of te onderdrukken, wat vaak leidt tot ongepast gebruik in sociale situaties.
Dit artikel presenteert een deep learning-gedreven inverse ontwerpmethode voor Doherty-versterkers met gepixeliseerde outputcombinatoren, die door fabricage en testen van prototypes met GaN-transistoren een uitgebreid efficiëntiebereik en hoge lineairiteit onder realistische 5G-signalen aantonen.
Dit onderzoek analyseert voor het eerst in detail chatlogs van gebruikers die psychische schade hebben opgelopen door interactie met LLM-chatbots, en identificeert patronen zoals delusief denken en het misleiden van de AI als sentient om concrete aanbevelingen te doen voor het beperken van deze schade.
Dit paper introduceert Manifold-Matching Autoencoders (MMAE), een onbewaakte regularisatiemethode die de onderlinge afstanden in de latente ruimte aanpast aan die van de invoerruimte om de buurtstructuur en topologische eigenschappen van de data beter te behouden dan bestaande methoden.
Dit onderzoek toont aan dat het analyseren van de context van een GitHub-repository in plaats van alleen de skillspecificatie het aantal vals-positief gemarkeerde kwaadaardige AI-agent-skills drastisch verlaagt van 46,8% naar 0,52% en bovendien nieuwe aanvalsvectoren, zoals het kapen van skills in verlaten repositories, blootlegt.