154 papers
Dit paper introduceert FinRetrieval, een benchmark van 500 financiële vragen die aantoont dat de beschikbaarheid van gestructureerde data-API's de prestaties van AI-agenten bij het ophalen van numerieke waarden aanzienlijk meer beïnvloedt dan redeneermodes of modelleveranciers.
Deze studie toont aan dat een Large Language Model-framework ongestructureerde online feedback effectiever kan decoderen dan traditionele methoden om specifieke serviceproblemen en een opvallende perceptiekloof bij EgyptAir te identificeren, waardoor waardevolle strategische inzichten voor de luchtvaartsector worden gegenereerd.
Deze studie toont aan dat tijdsgerelateerde wijzigingen in technische corpora, zoals de migratie van documentatie naar concurrerende repositories, slechts een beperkte impact hebben op de betrouwbaarheid en rangschikking van informatiezoek-benchmarks, wat suggereert dat dergelijke evaluaties ook met evoluerende corpora stabiel blijven.
iAgentBench is een dynamisch benchmark dat de vermogens van informatieve zoekagenten om zintuiglijke conclusies te trekken uit meerdere bronnen op populaire onderwerpen evalueert, waarbij wordt vastgesteld dat het enkel ophalen van informatie onvoldoende is voor het oplossen van complexe vragen die synthese vereisen.
In dit paper stellen de auteurs CONE voor, een hybride transformer-model dat getallen, bereiken en gaussische verdelingen samen met eenheden en attribuutnamen encodeert in een semantisch rijke vectorruimte, waardoor het aanzienlijk betere prestaties behaalt dan bestaande modellen op taken met numeriek redeneren.
Dit paper introduceert DARE, een lichtgewicht retrieval-model dat data-distributie-informatie integreert om de prestaties van LLM-agents bij het genereren van R-code en het vinden van statistische pakketten aanzienlijk te verbeteren.
Dit artikel presenteert de eerste systematische studie naar schaalwetten voor rerankers in informatieretrieval, waarbij wordt aangetoond dat de prestaties van modellen van verschillende groottes en dataverbruik een voorspelbaar machtsverband vertonen, wat het mogelijk maakt om de prestaties van zeer grote modellen nauwkeurig te schatten op basis van kleinere experimenten en zo aanzienlijke rekenkracht te besparen.
Dit artikel presenteert een nieuwe modale fusie-architectuur die tekst en afbeeldingen effectief combineert voor e-commerce zoekopdrachten, waarbij wordt aangetoond dat domeinspecifieke fine-tuning en een tweestaps-afstemming essentieel zijn voor het verbeteren van de zoekresultaten.
Deze paper introduceert een nieuwe taxonomie voor advertentiestijlen in RAG-systemen en toont aan dat modellen met entiteitsdetectie advertentievermeldingen effectief en robuust kunnen lokaliseren, terwijl lichtere modellen juist kwetsbaar blijken voor veranderingen in de advertentiestijl.
Deze paper introduceert Time-aware Inverse Propensity Scoring (TIPS), een methode die bestaande sequentiële aanbevelingsmodellen verbetert door selectie- en blootstellingsbias effectief aan te pakken via het modelleren van tijdsafhankelijke dynamiek en tegenstellige redenering.
Deze paper introduceert een efficiëntere en reproduceerbare variant van GraphRAG die de niet-deterministische Leiden-clustering vervangt door een deterministische k-core-decompositie, waardoor de kwaliteit van globale zingeving verbetert en de kosten voor taalmodellen dalen.
Dit onderzoek presenteert een innovatief systeem dat Large Language Models combineert met de ANU Scholarly Knowledge Graph via een Deep Document Model en geoptimaliseerde queryverwerking om nauwkeurig en efficiënt semantische vragen over computernetwerkbewerkingen aan de ANU te beantwoorden.
Dit artikel presenteert een systematische evaluatie die de prestaties van RAG en GraphRAG op tekstuele taken vergelijkt via een gestandaardiseerd protocol, waarbij inzichten worden gedeeld over hun respectievelijke sterkten, beperkingen en strategieën voor effectieve integratie.
OSCAR is een nieuwe online zachte compressie- en herordeningstechniek die de rekentijd van Retrieval-Augmented Generation-pipelines aanzienlijk verkort zonder in te leveren op de nauwkeurigheid, door dynamisch en query-afhankelijk informatie te comprimeren tijdens de inferentie.
Dit paper introduceert PinRec, een schaalbaar generatief ophaalmodel voor Pinterest dat uitkomstgeconditioneerde generatie en multi-token generatie combineert om de diversiteit, prestaties en bedrijfsdoelen van aanbevelingssystemen effectief in evenwicht te brengen.
Deze paper introduceert de Co-Evolutionary Alignment (CoEA)-methode, die een Dual-Stable Interest Exploration-module en een Periodic Collaborative Optimization-mechanisme combineert om aanbevelingssystemen te verbeteren door zowel lange-termijngroepsidentiteit als korte-termijnpersoonlijke interesses te modelleren en via een dynamische gesloten lus serendipiteit te bevorderen.
Deze paper introduceert PDR-Bench, het eerste benchmark voor het evalueren van personalisatie in diepe onderzoeksagenten, en stelt het PQR-evaluatiekader op om de prestaties van deze systemen op het gebied van personalisatie, inhoudskwaliteit en feitelijke betrouwbaarheid te meten.
Het paper introduceert REVISION, een nieuw raamwerk dat offline redenering en online besluitvorming combineert om de discrepantie tussen impliciete gebruikersintenties en zoekresultaten in Taobao's visuele zoeksystemen te verminderen en zo de klikratio te verhogen.
Dit paper introduceert DevRev-Search, een benchmark en een schaalbaar framework voor multi-tenant zoeksystemen dat gebruikmaakt van een volledig geautomatiseerd datasetbouwpipeline en een indexbehoudende aanpassingsstrategie om alleen de query-encoder te finetunen, waardoor effectieve domeinadaptatie mogelijk wordt zonder kostbare herschrijving van documentindices.
Dit paper introduceert GR4AD, een productiegerichte generatieve aanbevelingsarchitectuur voor grootschalige advertenties die middels innovaties zoals UA-SID-tokenisatie, LazyAR-decodering en RSPO-versterkingstheorie de inkomsten met tot 4,2% verhoogt en succesvol is ingezet in het Kuaishou-advertentiesysteem voor meer dan 400 miljoen gebruikers.