1714 papers
Deze paper introduceert een methode waarbij Diffusie-taalmodellen de benodigde uitvoerlengte schatten op basis van de prompt, waardoor het contextvenster dynamisch kan worden ingekort voor aanzienlijke rekenefficiëntie zonder prestatieverlies.
Deze paper introduceert een grafgebaseerd raamwerk dat narratives als entiteitsinteracties modelleert en causale schatting toepast om oppositieve verhalen te detecteren en te classificeren met een hogere nauwkeurigheid dan bestaande methoden.
Deze studie introduceert RAPTOR en toont aan dat voor audio-deepfake-detectie de pre-trainingsroute van compacte SSL-modellen (zoals multilinguaal HuBERT) belangrijker is dan modelgrootte, aangezien deze betere cross-domein-robustheid en betrouwbaardere kalibratie bieden dan grotere systemen.
Dit paper introduceert een tweestapskader dat contrastief leren op gelabelde alfabetten combineert met zelftoezicht via leraar-leerling distillatie om robuuste, vervormingsinvariante embeddings te leren voor het vaststellen van scriptgelijkenis zonder betrouwbare grondwaarheid over historische relaties.
Dit paper introduceert CRIMSON, een klinisch onderbouwde evaluatiemethode voor het genereren van radiologieverslagen die fouten weegt op basis van klinische relevantie en patiëntveiligheid, en die sterk correleert met de beoordelingen van gespecialiseerde radiologen.
Dit paper introduceert MAPO, een efficiënt RL-algoritme dat door middel van een critic-vrije aanpak met dichte procesfeedback en een gemengde voordeel-schatter de stabiliteit en prestaties van lange-termijn multi-turn dialogen voor subjectieve taken zoals emotionele ondersteuning aanzienlijk verbetert.
Dit artikel introduceert het AI-CROWD-protocol, dat de afwezigheid van menselijke grondwaarheid in grote contentanalyses oplost door een consensusbenadering te gebruiken die is gebaseerd op de geaggregeerde output van elf grote taalmodellen om betrouwbare labels te genereren.
Dit paper introduceert LIT-RAGBench, een nieuw benchmark voor het evalueren van de vermogens van grote taalmodellen in Retrieval-Augmented Generation door middel van vijf specifieke categorieën (integratie, redenering, logica, tabellen en afzien) op een dataset van 114 menselijk gemaakte vragen.
FlashPrefill is een nieuw raamwerk dat ultra-snelle prefilling voor lange contexten mogelijk maakt door middel van instant patroonontdekking en dynamische drempelwaardering, waardoor een ongeëvenaarde snelheidsverhoging van 27,78x bij 256K tokens en een robuuste prestatieverbetering zelfs bij kortere contexten wordt bereikt.
Het paper introduceert SPOT, een framework dat expliciete Chain-of-Thought-redenering comprimeert naar interpreteerbare latente pauzetokens via span-niveau semantische uitlijning en een bevriezing van de taalhoofd, waardoor de inferentiekosten met 37,5% dalen terwijl de nauwkeurigheid met gemiddeld 2,3 punten stijgt.
Dit onderzoek onthult dat grote taalmodellen, ondanks algemene overeenstemming met maatschappelijke opinies, systematisch falen in het accuraat weergeven van religieuze perspectieven en minderheidsgroepen in Azië, waardoor ze vaak negatieve stereotypen versterken ondanks lichte mitigatie-inspanningen.
Het paper introduceert EpisTwin, een neuro-symbolisch raamwerk dat persoonlijke AI verbetert door generatieve redenering te verankeren in een verifieerbaar persoonlijk kennisgraph, waardoor fragmentatie van gebruikersdata wordt overwonnen en complexe, contextbewuste redenering mogelijk wordt.
Deze studie toont aan dat hoewel spraakmodellen met Low-Rank Adaptation (LoRA) aanvankelijk goed kunnen worden aangepast aan Pacific Indigenous-talen, ze worstelen met catastrofale vergeetachtigheid bij sequentieel leren, wat de noodzaak benadrukt van robuuste strategieën om het plasticiteit-stabiliteitsdilemma op te lossen.
Deze studie toont aan dat AI-generaties van hedendaagse kunstwerken, ondanks visuele overeenkomsten, door de oorspronkelijke kunstenaars worden ervaren als gebrek aan diepgang, context en intentie, wat pleit voor een meerdimensionale evaluatie in plaats van het gebruik van één enkele stijlmetriek.
Het paper introduceert SAHOO, een praktisch framework dat de alignatie-drift tijdens recursieve zelfverbetering van AI-systemen beheerst door middel van drie veiligheidsmechanismen, waardoor aanzienlijke prestatieverbeteringen worden bereikt zonder in te leveren op veiligheid of waarheidsgetrouwheid.
Deze studie presenteert een transparant AI-kader voor wiskundige entiteitsrelatie-extractie (MERE) dat transformer-modellen, met name BERT met een nauwkeurigheid van 99,39%, combineert met SHAP-gebaseerde uitlegbaarheid om betrouwbare inzichten te bieden in de interpretatie van wiskundige tekst.
Dit onderzoek toont aan dat grote taalmodellen, net als mensen, beter presteren bij deontische conditionele redenering en vergelijkbare fouten vertonen door matching bias.
Deze studie biedt een uitgebreide vergelijking van verschillende LLM-gebaseerde methoden voor het automatisch beoordelen van IELTS-opstellen, waarbij een combinatie van gesuperviseerde fijnafstemming en retrieval-augmented generation de beste resultaten behaalt met een F1-score van 93%.
Dit artikel onderzoekt de nauwkeurigheid en mogelijke bias van grote taalmodellen in abductief redeneren door syllogismen om te vormen, met als doel het begrip van menselijke en machinecognitie te verbeteren.
PONTE is een mens-in-de-lus framework dat gepersonaliseerde, betrouwbare en waarheidsgetrouwe uitleggen voor AI-systemen genereert door een gesloten-lus validatie- en aanpassingsproces te combineren met een voorkeursmodel en verificatiemodules.