1071 papers
Het artikel introduceert LatentMem, een leerbaar raamwerk voor multi-agent systemen dat agent-specifieke, token-efficiënte latent geheugens synthetiseert via een ervaringenbank en een geheugencomponist, aangevuld met Latent Memory Policy Optimization om de prestaties aanzienlijk te verbeteren zonder bestaande frameworks aan te passen.
Deze studie toont aan dat spectrale maatstaf, afgeleid van netwerkanalyses van natuurlijke taalvereisten, de integratie-inspanning nauwkeuriger voorspellen dan traditionele structurele of dichtheidsgebonden metrics, waardoor een nieuwe brug wordt geslagen tussen complexiteitsanalyse en vereistenengineering.
Dit paper introduceert CoCoA, een trainingsvrije decoderingsalgoritme dat hallucinaties in grote taalmodellen vermindert door de inconsistentie van representaties tussen de interne lagen te detecteren en te straffen, waardoor de feitelijke juistheid van de output zonder hertraining wordt verbeterd.
Dit paper introduceert NeSyS, een neuro-symbolisch kader dat de semantische expressiviteit van grote taalmodellen combineert met de logische consistentie van symbolische wereldmodellen om hallucinaties te verminderen en de data-efficiëntie te verhogen in interactieve omgevingen.
Dit onderzoek presenteert een methode om pagina's van geshufelde Nederlandse vrijheidsinformatiedocumenten opnieuw te ordenen, waarbij een gespecialiseerd model de beste resultaten boekt met een Kendall's tau van 0,72 voor 15 pagina's, ondanks dat standaard seq2seq-transformatoren en curriculum learning bij langere documenten significant falen.
Dit artikel introduceert een respons-vrij topic-modeling-framework dat de semantische structuur van psychologische schalen benut om deze met 60,5% te verkorten terwijl de psychometrische kwaliteit en factorstructuur behouden blijven.
Deze studie ontwikkelt interpreteerbare machine learning-modellen die met hoge nauwkeurigheid het CEFR-niveau van Estse leermotteksten voorspellen door middel van zorgvuldig geselecteerde linguïstische kenmerken, wat resulteert in een bruikbare tool voor taalbeoordeling binnen een open-source leeromgeving.
Dit artikel presenteert een geometrische taxonomie van hallucinaties in grote taalmodellen die drie fouttypen onderscheidt en twee detectiemethoden introduceert, waarbij wordt aangetoond dat bestaande benchmarks voor feitelijke fouten vaak worden beïnvloed door stijlconfounds in plaats van echte semantische afwijkingen.
Dit paper stelt dat de voorspelbare schaalbaarheid van codegeneratie ten opzichte van versterkingslering wordt veroorzaakt door de specifieke informatie-structuur van code, en introduceert een hiërarchie van leerbaarheid die suggereert dat de toekomstige grenzen van machine learning meer afhangen van de aard van de taak dan van modelgrootte.
Dit paper introduceert XTF, een uitlegbaar framework dat ruis op token-niveau filtert door data bij te dragen aan drie attributen (redeneerbelang, kennisnoviteit en taakrelevantie) te analyseren en gradiënten te maskeren, wat de prestaties van afgestemde grote taalmodellen tot 13,7% verbetert.
Het paper introduceert CogitoRAG, een cognitief gestuurd RAG-framework dat hallucinaties vermindert door menselijk episodisch geheugen na te bootsen via gist-gebaseerde kennisgrafiekconstructie, query-decompositie en semantische diffusie, wat leidt tot superieure prestaties op complexe vraag- en antwoordtaken.
Het artikel introduceert Emotion Collider (EC-Net), een hyperbolisch hypergraafkader dat hiërarchische modale relaties en bidirectionele berichtuitwisseling combineert met contrastief leren om robuuste en nauwkeurige sentimentherstelmodellen te realiseren, zelfs bij aanwezigheid van ruis of ontbrekende modaliteiten.
Dit artikel introduceert ModalImmune, een trainingskader dat multimodale systemen robuust maakt tegen het verlies of de corruptie van invoerkanaal door middel van gecontroleerde, zelfdestructieve training die leidt tot stabiele en herstelbare gezamenlijke representaties.
Dit paper introduceert CondMedQA, het eerste benchmark voor conditioneel biomedisch vragen beantwoorden, en Condition-Gated Reasoning (CGR), een nieuw raamwerk dat kennisgrafiek-paden selectief activeert of verwijdert op basis van patiëntspecifieke omstandigheden om de betrouwbaarheid van medische redenering te verbeteren.
Deze paper introduceert MrBERT, een familie van moderne meertalige encodermodellen die door middel van vocabulaire-, domein- en dimensionale aanpassing, inclusief Matryoshka Representation Learning, state-of-the-art prestaties bereikt op Catalaanse en Spaanse taken en gespecialiseerde domeinen zoals biomedische en juridische toepassingen.
Dit paper introduceert CeRA, een parameter-efficiënte fine-tuning-methode die door middel van SiLU-gating en structurele dropout de lineaire beperkingen van LoRA doorbreekt en zo superieure prestaties bereikt op complexe redeneertaken door de dormantie van het singuliere waarden-spectrum te activeren.
Dit paper introduceert KVSlimmer, een theoretisch onderbouwde en gradient-vrije methode voor asymmetrische KV-merging die de prestaties van grote taalmodellen verbetert door de spectrale energie van projectiegewichten te analyseren, waardoor zowel de geheugengebruik als de latentie aanzienlijk worden verlaagd zonder in te leveren op kwaliteit.
Deze studie introduceert een conformal prediction-framework dat, ondanks variaties in modelkalibratie tussen gestructureerde FDA-documenten en vrije radiologieteksten, betrouwbare coverage-garanties biedt voor veilige medische entiteitsextractie met grote taalmodellen in klinische toepassingen.
Dit paper introduceert CyclicJudge, een efficiënte round-robin strategie die systematische beoordelaarsbias in LLM-evaluaties elimineert zonder extra kosten, door de variantie van benchmarkscores te ontleden en de bias precies op te heffen.
Dit paper introduceert PrivMedChat, een end-to-end framework voor differentieel private RLHF dat medische chatbots veilig en effectief afstemt op klinische dialogen zonder gevoelige patiëntgegevens te onthullen.