11850 papers
Dit artikel introduceert AMA-Bench, een nieuw beoordelingskader voor het langetermijngeheugen van LLM-agents in realistische omgevingen, en presenteert AMA-Agent, een verbeterd systeem dat door middel van een causaliteitsgraf en tool-geaugmenteerde ophaalfuncties aanzienlijk beter scoort dan bestaande benchmarks.
Deze paper introduceert het CTFIDU+-algoritme om de volledigheid en theoretische grenzen van causale identificatie te bepalen op basis van experimenteel realiseerbare counterfactuele data, en levert bovendien nieuwe analytische onder- en bovengrenzen voor niet-identificeerbare grootheden.
Dit artikel introduceert CMI-RewardBench, een uitgebreid ecosysteem met datasets en benchmarks voor het evalueren van beloningsmodellen voor muziekgeneratie onder compositional multimodal instruction, wat leidt tot nauwkeurige modellen die sterk correleren met menselijke beoordelingen en effectieve inferentie-schaling mogelijk maken.
Deze studie introduceert causale circuittracing om aan te tonen dat single-cell foundation-modellen, ondanks hun architecturale verschillen, een opvallende biologische coherentie en inhiberende dominantie vertonen, waarbij gedeelde domeinen sterk geassocieerd zijn met ziekten en experimenteel worden gevalideerd.
Dit paper introduceert een kwalitatief georiënteerd annotatiekader voor narratieve grafieken over inflatie, waarbij een experimenteel ontwerp aantoont dat lokale representaties de variatie tussen annotatoren verminderen en dat overlap-gebaseerde metrieken de betrouwbaarheid overschatten.
Deze paper introduceert een efficiënt statistisch model op basis van tensorfactorisatie dat goedkope automatische beoordelingen combineert met een beperkt aantal menselijke labels om nauwkeurige, fijnmazige evaluaties van generatieve modellen op prompt-niveau mogelijk te maken.
Dit artikel introduceert Federated Inference als een uniek samenwerkingsparadigma voor privacybehoudende modelvoorspelling, waarbij het de fundamentele eisen, ontwerpafwegingen en uitdagingen analyseert die nodig zijn om schaalbare en gestimuleerde systemen te realiseren.
Dit paper toont aan dat er een exponentieel verschil bestaat tussen gestructureerde en ongestructureerde pruning, waarbij het benaderen van een ReLU-neuron via neuron-pruning aanzienlijk meer overparameterisatie vereist dan via gewichts-pruning.
Dit artikel biedt een gestructureerde analyse van de interactie tussen de temperatuurparameter en andere trainingscomponenten in classificatie-gebaseerde kennisdistillatie, met als doel praktische richtlijnen te geven voor het selecteren van een optimale temperatuur.
Dit paper pleit voor een nieuw paradigma in causaal leren dat de wijsheid van de menigte benut door een systematisch kader te introduceren voor het synthetiseren van gefragmenteerde kennis van menselijke experts en LLM-agenten om complexe causale structuren te reconstrueren die individuele agenten niet kunnen ontdekken.
Deze paper introduceert Probe-Select, een plug-in module die de kwaliteit van gegenereerde afbeeldingen al vroeg in het generatieproces voorspelt op basis van tussentijdse activaties, waardoor de samplingkosten met meer dan 60% worden verlaagd en alleen veelbelovende seeds worden voltooid.
Deze studie toont aan dat het benutten van exogene dynamiek in Markov-beslissingsprocessen leidt tot aanzienlijk betere leergaranties en steekproefefficiëntie, waarbij de regretgrenzen slechts afhankelijk zijn van de grootte van de exogene toestandsruimte.
Het paper introduceert AriadneMem, een gestructureerd geheugensysteem voor LLM-agenten dat middels een gefaseerde aanpak met entropiebewuste filtering en conflictbewuste samenvoeging de uitdagingen van losgekoppelde bewijslast en statische updates oplost, wat resulteert in aanzienlijke verbeteringen in meerhop-precisie en een drastische reductie van de runtime.
Dit paper introduceert een hybride LLM-architectuur voor landbouwadvies die, door gesuperviseerde fine-tuning op gecureerde feiten en een aparte 'stitching'-laag voor veiligheidsbewuste communicatie, nauwkeurigere en veiliger antwoorden biedt voor kleine boeren in Bihar, India, dan standaardmodellen.
Dit artikel introduceert TTSR, een zelfreflecterend testtijd-trainingsframework dat de redeneerprestaties van grote taalmodellen verbetert door een voortdurende cyclus waarin het model als leraar en leerling optreedt om gerichte variantvragen te genereren op basis van eerdere fouten.
Dit paper onderzoekt semantische caching voor LLM-embeddings, bewijst dat het vinden van een optimale offline beleid NP-moeilijk is, en stelt polynomiale heuristieken en online beleidsregels voor die de prestaties verbeteren ten opzichte van bestaande methoden.
Dit paper introduceert een compacte architectuur die kennisgrafieken en hypergrafieken via repository-attention en rollen-gebaseerd transport integreert met taalmodellen, waardoor gescheiden maar nauw op elkaar afgestemde representaties van gestructureerde kennis en linguïstische context mogelijk worden.
Dit paper introduceert Draft-Conditioned Constrained Decoding (DCCD), een trainingsvrije methode die de semantische planning en structurele validatie ontkoppelt om de nauwkeurigheid van gestructureerde generatie in taalmodellen aanzienlijk te verbeteren zonder de modelgrootte te vergroten.
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.
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.