1848 papers
Deze studie introduceert TopicENA, een framework dat BERTopic en Epistemic Network Analysis combineert om handmatige codering te vervangen door geautomatiseerde onderwerpanalyse, waardoor schaalbare en interpreteerbare netwerkanalyses van grote tekstcorpora mogelijk worden.
Dit paper introduceert het History-Echoes-framework om aan te tonen dat conversatiegeschiedenis large language models zowel probabilistisch als geometrisch beïnvloedt, waarbij gedragspersistentie resulteert in een 'geometrische val' die de latente ruimte van het model beperkt.
Dit onderzoek presenteert een hybride raamwerk dat Large Language Models en VARK-cognitieve profielen integreert om het koude-startprobleem in aanbevelingssystemen op te lossen door semantische verrijking en gepersonaliseerde, cognitief afgestemde interfaces te bieden.
Dit artikel introduceert 'entropic-time inference', een nieuw paradigma voor LLM-inferentie dat generatie stuurt via een zelforganiserende architectuur die uncertainty-flow, planning en temperatuurregeling verenigt onder een gemeenschappelijke entropiedoelstelling om computationele middelen efficiënter toe te wijzen dan traditionele token-gebaseerde methoden.
Dit artikel documenteert de architectuur, ontwikkeling en bewaarde artefacten van het Logovista Engels-Japans machinevertalingssysteem, een commercieel regelgebaseerd systeem dat van de vroege jaren negentig tot ten minste 2012 actief was en zich continu aanpaste aan praktische eisen.
Dit paper introduceert SemKey, een nieuw raamwerk dat EEG-signalen naar tekst vertaalt door hallucinaties te voorkomen en semantische nauwkeurigheid te waarborgen via gedecoupeerde semantische doelen en een herontworpen interactie tussen neurale encoders en grote taalmodellen, terwijl het de beperkingen van de BLEU-metriek omzeilt door robuustere evaluatiemethoden te gebruiken.
Deze studie toont aan dat taakspecifieke fine-tuning de sensorimotorische representaties in grote taalmodellen kan verbeteren en dichter bij menselijke ervaringen brengt, hoewel deze verbeteringen sterk afhankelijk zijn van het leerdoel en niet automatisch overdragen naar verschillende taakformaten.
Deze paper introduceert CoIPO, een methode die gebruikmaakt van contrastief leren en inverse directe voorkeursoptimalisatie om de intrinsieke weerstand van grote taalmodellen tegen ruis in prompts te verbeteren, wat resulteert in een aanzienlijke prestatieverbetering op de nieuwe NoisyPromptBench-benchmark.
Deze paper introduceert M-QUEST, een semantisch raamwerk en benchmark met 609 vraag-antwoordparen voor 307 memes, die dient om multimodale toxiciteit te evalueren en de commonsense-resoningscapaciteiten van grote taalmodellen te testen op hun vermogen om de betekenis en intentie van memes te interpreteren.
Dit onderzoek toont aan dat transfer learning gebaseerd op iconische gebaren, met name van Chinees naar Arabisch, de prestaties van gebarentaalherkenning significant verbetert in vergelijking met traditionele visuele datasets.
Dit paper introduceert Retcon, een few-shot prompting-techniek die een nauwkeurige controle op wisselingsniveau mogelijk maakt in meervoudige conversaties met grote taalmodellen en hiermee significant beter presteert dan traditionele zero-shot en few-shot methoden.
Dit artikel introduceert een klassiek, quantum-geïnspireerd zelfaandachtmechanisme (QISA) dat voor het eerst in een GPT-1-taalmodel is geïntegreerd en, ondanks een iets langere inferentietijd, aanzienlijk betere prestaties levert dan standaard zelfaandacht op het gebied van foutpercentages en cross-entropy-verlies.
Dit artikel introduceert een methode voor geautomatiseerde conceptontdekking met behulp van sparse autoencoders om onbekende, interpreteerbare factoren in de voorkeursbeoordelingen van LLMs als rechter te identificeren, waardoor systematische analyses mogelijk worden zonder vooraf gedefinieerde bias-taxonomieën.
Dit paper introduceert een neurosymbolische aanpak die sociale wetenschapstheorie en abductief redeneren combineert om Large Language Models te helpen verhalen effectief te transformeren tussen collectivistische en individualistische narratieven, terwijl de oorspronkelijke boodschap behouden blijft.
DIALEVAL is een geautomatiseerd type-theoretisch raamwerk dat gebruikmaakt van dual LLM-agents om instructies op te splitsen in getypeerde predicaten en deze met gespecialiseerde semantiek te evalueren, wat leidt tot een nauwkeurigere en menselijker beoordeling van instructieopvolging in zowel single-turn als multi-turn dialogen.
Dit artikel introduceert DBench-Bio, een dynamisch en volledig geautomatiseerd benchmarkkader dat maandelijkse updates combineert met een drie-stapsproces om de capaciteit van grote taalmodellen tot het ontdekken van nieuwe biologische kennis te evalueren en zo de beperkingen van bestaande statische datasets op te lossen.
Dit paper introduceert DCR (Discernment via Contrastive Refinement), een nieuwe uitlijningsmethode die overmatig afwijzen door veilige taalmodellen vermindert door waarlijk giftige prompts te onderscheiden van ogenschijnlijk giftige, zonder de algehele veiligheid of bruikbaarheid te compromitteren.
Dit artikel introduceert een trainingsvrije methode voor het beheersen van chatstijlen in grote taalmodellen door aan te tonen dat stijlkenmerken als lineaire richtingen in de activatieruimte zijn gecodeerd, wat leidt tot precieze stijlcontrole en verbeterde veiligheid met minimale rekenkosten.
Dit paper introduceert IntPro, een proxy-agent die contextbewuste gebruiksintenties verbetert door middel van een zoekopdracht-gestuurde inferentie die individuele intentiepatronen uit een geschiedenisbibliotheek benut via toezichtsfine-tuning en GRPO-training.
Deze paper introduceert Sequential Adaptive Steering (SAS), een modulaire methode die het mogelijk maakt om tijdens de inferentie meerdere persoonlijkheidstrekken van grote taalmodellen tegelijkertijd en zonder modeltraining te sturen door orthogonale stuurvectoren te gebruiken die destructieve interferentie voorkomen.