I modelli neuro-simbolici vengono solitamente addestrati con supervisione solo sulle etichette finali, lasciando inosservati i concetti intermedi. Poiché molte assegnazioni di concetti sono coerenti con una determinata etichetta, la formazione può prevedere correttamente le etichette recuperando i concetti errati, un errore noto come scorciatoia di ragionamento.
La continuazione della riunione richiede il monitoraggio dell'ordine del giorno, dei ruoli dei relatori, delle intenzioni dei partecipanti e del disaccordo durante lunghe discussioni tra più parti. Presentiamo il Meeting Dynamic Forecasting Benchmark (MDFB), costruito a partire da 2.207 riunioni reali e 24.794 query rivolte al futuro. Dato un prefisso di trascrizione e una domanda attiva, un modello genera una plausibile continuazione a più turni in una chiamata.
La diagnosi dei guasti industriali spesso funziona solo con una manciata di esempi di guasti etichettati, rendendo l’apprendimento “low-shot” interessante per il monitoraggio dei sensori. Le reti prototipiche standard sono semplici ed efficaci; tuttavia, i prototipi delle loro classi potrebbero diventare instabili nel regime di tiro molto basso perché ogni decisione si basa su un piccolo insieme di supporto.
I tradizionali modelli linguistici di grandi dimensioni (LLM) si concentrano sulle sessioni dei singoli utenti, limitando la loro conoscenza a una singola conversazione e impedendo loro di apprendere le preferenze dell'utente che si evolvono nel tempo. I sistemi di memoria ad agenti esistenti risolvono questa limitazione, ma generalmente operano a livello di singolo utente, limitando la conoscenza pubblica che potrebbe essere condivisa tra gli utenti per migliorare le risposte a valle.
Valutiamo il Deep Perturbation Learning (DPL), che perturba immagini ed etichette di addestramento lungo direzioni derivate dall'influenza, in tre ruoli in cui il lavoro precedente lo ha posizionato per il disimparamento automatico: un segnale di cancellazione diretta (l'affermazione più forte), un regolarizzatore che preserva l'utilità e un avvio a caldo per il disimparamento contraddittorio. Le prove per i ruoli più deboli sono state utilizzate per supportare quello più forte, quindi testiamo ciascun ruolo separatamente secondo un protocollo abbinato con linee di base di riqualificazione esatte.
L’affettive computing ha avanzato l’inferenza sullo stato dei dispositivi indossabili, ma il ragionamento sul dispositivo su se, quando e come intervenire rimane impegnativo. Presentiamo Affective Agent, un'architettura di riferimento a tre livelli per il ragionamento di intervento personalizzato in condizioni di incertezza su hardware di classe indossabile.
L’integrazione del calcolo evolutivo e dei modelli linguistici di grandi dimensioni (LLM) richiede il controllo della diversità della popolazione e la capacità generativa. Tra gli output LLM, quelli con struttura esplicita, come una descrizione abbinata al codice, sono artefatti strutturati; usiamo artefatto in breve. Proponiamo T-GADE, che evolve questi artefatti estendendo algoritmi genetici termodinamici attraverso operatori genetici basati su LLM e valutazione della diversità a livello di artefatto.
Ai Large Language Models (LLM) viene sempre più chiesto di ragionare su dati strutturati come i grafici, ma non è chiaro quanto siano affidabili gli algoritmi grafici multi-step nel linguaggio. Le valutazioni esistenti tendono a utilizzare compiti semplici su piccoli grafici, per valutare la generazione del codice piuttosto che ragionare sul grafico stesso o per fissare un singolo formato di input.
Le impostazioni aziendali forniscono un ambiente stimolante per gli agenti che rispondono alle domande, che spesso si affidano a Retrieval-Augmented Generation, Deep Research (DR) e tecniche correlate. Gran parte di questa sfida deriva dalla complessità dei dati aziendali: le informazioni sono spesso diffuse tra e-mail, messaggi di chat, documenti e altri artefatti in continua evoluzione e potenzialmente in conflitto.
Draft-verify-revise è un modello di orchestrazione LLM comune per ridimensionare il calcolo del tempo di inferenza. Un LLM redige le bozze, un secondo critica la bozza e fornisce feedback e un terzo utilizza tale feedback per rivedere la bozza nell'output finale. Poiché il contesto si estende a cascata tra le fasi, i LLM in fasi diverse possono risolvere un'espressione dipendente dal contesto come "precedente" in modo diverso. Quando ciò accade, l’espressione subisce uno spostamento deittico, un cambiamento in ciò a cui si riferisce.
Digita almeno 2 caratteri
Questo sito utilizza cookie essenziali per il funzionamento e cookie di analisi per migliorare l'esperienza. Puoi accettare tutti, solo gli essenziali, o personalizzare. Cookie Policy | Privacy Policy