- 通过灵感哲学中的相关性迭代实用判断框架
当我们将实用性判断纳入 “检索增强生成(RAG)” 中时,我们认识到话题相关性、实用性和回答在 RAG 中与 Schutz 从哲学角度讨论的三种相关性(话题相关性、解释相关性和动机相关性)密切相关。受到这三种相关性的动态迭代的启发,我们提出 - 多头 RAG: 使用 LLMs 解决多方面问题
通过利用 Transformer 的多头 attention 层的激活作为提取多方面文档的关键来提高文本生成模型的能力,使得 Multi-Head RAG 能够更准确地检索复杂查询,并通过实证评估显示在相关性方面相较于标准的 RAG 基准模 - 基于相关性和数量级的资源感知 DNN 剪枝
提出了一种名为 FlexRel 的新型修剪方法,通过结合训练时间和推理时间信息,即参数大小和相关性,来提高准确性,并节省计算资源和带宽。性能评估表明,FlexRel 能够实现更高的修剪因子,为典型准确性目标节省超过 35%的带宽。
- 当关系比概念更能说明问题:用 CoReX 探索和评估分类器的决策
本研究提出了一种基于概念和关系的解释方法(CoReX),用于解释和评估卷积神经网络(CNN)模型,以及支持识别和重新分类错误或模糊分类。
- 相关还是随机:LLMs 是否能够真正进行类比推理?
自动生成的相关示例对大规模语言模型(LLM)在类比推理任务中的性能具有非常可观的提升效果,并存在重要因素影响其准确性,研究者设计了两种改进方法以降低推理成本。
- FollowIR: 评估和教授信息检索模型遵循指导
现代大型语言模型具备跟随长而复杂的指令以完成各种用户任务的能力。本研究引入了数据集 FollowIR,其中包含了严格的指令评估基准以及用于帮助信息检索模型学习更好地遵循真实世界指令的训练集。我们的结果表明现有的检索模型未能正确地使用指令,只 - 图神经网络和基于命名实体识别的文本摘要生成
本研究介绍了一种创新的文本摘要方法,利用图神经网络(GNNs)和命名实体识别(NER)系统的能力,以提高摘要的效率和内容的相关性,为处理信息饱和世界中日益增长的文本数据量提供了一个有希望的方向。
- 无偏好的对齐学习与正则化相关回报
学习人类偏好被认为是将大型语言模型与人类价值观保持一致的关键,然而,与普遍看法相反,我们的初步研究发现,在人类偏好数据集训练的奖励模型倾向于给长期离题的回复比给短期主题相关的回复更高的分数。受此观察的启发,我们探索了一种无偏好的方法,利用 - 通过贝叶斯优化改进 Azure 认知搜索的搜索相关性
提出一种新的方法来找到最佳的 Azure Cognitive Search 配置,从而提高特定用例的搜索相关性,并通过将搜索相关性问题制定为超参数调整来改善关键的在线市场指标。
- 基于抽象论证的案例相关性学习的技术报告
在这篇论文中,我们关注于一种最近的基于案例的推理方法,通过采用抽象论证的实例来支持案例推理,其中论证代表案例,论证之间的攻击来自于案例之间的结果分歧与关联概念。在这个背景下,相关性与案例的特异性形式有关。我们探讨如何通过决策树的帮助在实践中 - 文本解释中的信息测量
通过将解释信息放在信息论框架中,我们提出并量化了两种文本解释方法的信息流,并提供了对它们进行评估的工具和标准,从而为可解释的 AI 领域建立了严格和标准化的评估标准。
- SURE-Val: 安全的城市相关性扩展与验证
通过采用现有方法扩展到城市领域,本研究定义感知数据集中的相关对象,并提供了一种基于运动预测组件的新的相关性验证方法,通过考虑大规模数据集中的预测性能的统计分布来量化对预测的影响,成功地验证了所提出的相关性标准的有效性。
- MVMR-FS:基于最大类间差异和最小冗余的非参数特征选择算法
基于最大类间差异和最小冗余的非参数特征选择算法 (MVMR-FS),通过引入监督和无监督的核密度估计,利用概率分布反映特征相关性和冗余性,在十种最先进方法中取得最高平均准确率,并提高 5% 至 11% 的准确率。
- 图神经网络中的最大独立集合用于汇聚
在图像分类中,卷积神经网络通过卷积和池化实现了重大进展;然而,对于图中的池化方法存在着一些问题,如图的断开或过连接、低减少率和删除大部分图等。本文基于最大独立集的概念提出了三种池化方法,并通过实验结果确认最大独立集约束对图池化的相关性。
- 汽车场景中动态物体对安全轨迹的感知相关性的保守估计
为了自动驾驶释放,需要有效的测试策略和适当的测试方法。本研究提出了一个新的方法来解决感知模块的要求问题,并针对碰撞安全在高速公路领域进行了示例应用。通过功能场景的拆分和限制交通规则,得出了感知的相关性标准。这些结果可应用于离线测试和验证。
- WWWCAViaR: 上下文感知视频推荐
提出了一种通过建模低多样性对用户对个别项目的参与度影响以调整项目得分来实现多样性和相关性均衡的新方法,该方法可插入现有的大规模推荐系统,具有显著的性能提高。
- AAAI通过端到端解释深入理解概念瓶颈模型
本文研究对于 Concept Bottleneck Models(CBMs)中的输入特征与概念向量之间的关联性,以及如何使用 Layer-wise Relevance Propagation(LRP)、Integrated Gradient - 生成式长篇问答:相关性、忠实度和简洁性
本论文研究了长篇问答系统的相关性、可靠性和简洁性,旨在改进问题相关性、答案可靠性和简洁性等方面的答案质量。
- MM使用机器学习模型对文本进行分类并确定对话偏移
该研究旨在使用自然语言特征提取方法在机器学习中,将朴素贝叶斯、逻辑回归和支持向量机等基本模型用于检测讨论线路偏离主题时教师必须介入的情况,从而实现文本分类和语义分析。
- 利用语言模型的语境线索采样进行查询扩展
本文提出了一种结合了有效过滤策略和基于上下文生成概率的检索文档融合的词汇匹配的方法,在减小索引大小的同时,提高了检索准确性;同时,在 end-to-end QA 模型中,该方法也能取得最高的 Exact-Match 分数。