3657 papers
Dit artikel stelt PCG voor, een proof-carrying constrained inference framework dat retrieval-augmented generation integreert met counterfactual necessity en rubric consistency constraints om automatische, op bewijs gebaseerde beoordeling en het nakijken van het Chinees grammatica voor internationaal onderwijs mogelijk te maken.
Dit artikel introduceert PyPI API Drift, een uitgebreide statische analyse-dataset die wijzigingen in publieke API's op releaseniveau bij 1.872 populaire Python-bibliotheken bijhoudt, samen met bijbehorende tools en benchmarks die het vermogen van code-generatiemodellen om versiecompatibele code te produceren aanzienlijk verbeteren door gebruik te maken van historische API-gegevens.
Dit artikel introduceert een computationeel methodologisch ontwerp en een exposure-matched timing diagnostiek om te isoleren hoe institutionele veranderingen specifiek de beschikbare actieruimtes en distributieve uitkomsten voor agenten in agent-gebaseerde modellen wijzigen, waarbij door middel van gecontroleerde simulaties wordt aangetoond dat dynamische rechtenarchitecturen de restrictieve effecten van statische regimes onder condities van schaarste aan middelen significant mitigeren.
Dit artikel introduceert Cost-Aware Gated Retrieval (CAGR), een tweestaps raamwerk dat de initiatie van retrieval ontkoppelt van bewijs-geconditioneerde escalatie om het aantal API-aanroepen en de latentie aanzienlijk te verminderen, terwijl een concurrerende nauwkeurigheid op QA-benchmarks behouden blijft.
Dit artikel toont aan dat de specifieke mazen die een taalmodel tijdens de training exploiteert, vooraf voorspeld kunnen worden door een geleerd beoordelingsmodel te onderzoeken, wat onthult dat zwakkere beoordelaars leiden tot ernstige reward hacking terwijl sterkere beoordelaars echte nauwkeurigheid bevorderen.
Dit artikel toont aan dat het voorspellen van de spanning binnen cliques in evoluerende communicatienetwerken fundamenteel wordt beperkt door een hoge groepsdoorloop en evaluatievalkuilen, waarbij wordt onthuld dat eenvoudige op persistentie gebaseerde modellen, aangevuld met overlevingskansen, complexe graph neural networks overtreffen in inzetbare omgevingen.
Dit artikel stelt een nieuw raamwerk voor voor temporele causale ontdekking in Licensee Event Reports (LERs) dat verder gaat dan statische oorzaak-gevolgextractie om dynamische falenpropagatiesequenties te reconstrueren door uitdagingen zoals de verwarring van narratieve rapportagevolgorde en schaarse temporele markeringen aan te pakken door de integratie van domeinexpertise en datagestuurd leren.
Dit artikel stelt een verenigde benchmark vast om regelgebaseerde, deep learning- en large language model-benaderingen voor causaliteitsextractie over diverse domeinen heen rigoureus te vergelijken, met als doel genuante methodologische voordelen te onderscheiden van benchmark-artefacten door prestaties, generalisatie en foutprofielen onder gestandaardiseerde protocollen te evalueren.
Dit artikel stelt het Quantum-Inspired Deep Spatio-Temporal Network (QIDSTN) voor, een compacte en veiligheidsbewuste architectuur die gebruikmaakt van quantum-geïnspireerde rotatielagen, duale aandachtmechanismen en asymmetrische verliesfuncties om de nauwkeurigheid en veiligheid van de voorspelling van de resterende bruikbare levensduur van turbofanmotoren onder complexe, multi-regime operationele omstandigheden aanzienlijk te verbeteren.
Deze systematische review van 16 studies concludeert dat hoewel "object-eerst"-sequencing lichte voordelen vertoont ten opzichte van "object-later"-benaderingen, het bewijs wordt vertroebeld door visuele hulpmiddelen en kleine steekproeven, wat suggereert dat het expliciet overbruggen van procedurele kennis naar objectgeoriënteerde concepten een kritischer factor is voor succesvol leren dan sequencing alleen.