盘算机前沿技术-人工智能算法-大语言模子-最新研究进 2024-12-22
目次
1. FaultExplainer: Leveraging Large Language Models for Interpretable Fault Detection and Diagnosis
Authors: Abdullah Khan, Rahul Nahar, Hao Chen, Gonzalo E. Constante Flores, Can Li
https://arxiv.org/abs/2412.14492
故障表明器：利用大型语言模子举行可表明的故障检测和诊断
摘要：
本文介绍了FaultExplainer，一个基于大型语言模子（LLM）的天然语言系统，用于故障检测、诊断和表明。该系统集成了主身分分析（PCA）和T2统计量，并联合过程形貌，提供基于地面的故障表明。系统还提供了一个用于实时监控和用户友爱交互的Web界面，并展示了在诊断未见过的故障时的合理性能。
创新点：
- 集成PCA和T2统计量与LLM，提供基于过程形貌的故障表明。
- 提供Web界面，实实际时监控和用户交互。
- 在未见过的故障诊断中表现出合理的性能。
算法模子：
- 利用GPT-4o和o1-preview模子评估LLM的推理能力。
- 联合PCA和特征紧张性分析来加强故障表明。
实验效果：
- 实验效果表明，系统在生成合理和可利用的表明方面具有优势，但也存在局限性，如对PCA选择特征的依靠和偶然的幻觉现象。
保举阅读指数： 8/10
2. Answer Set Networks: Casting Answer Set Programming into Deep Learning
Authors: Arseny Skryagin, Daniel Ochs, Phillip Deibert, Simon Kohaut, Devendra Singh Dhami and Kristian Kersting
https://arxiv.org/abs/2412.14814
答案集网络：将答案集编程转化为深度学习
摘要：
只管答案集编程（ASP）允许约束神经符号（NeSy）系统，但其应用受到盘算稳定模子的高本钱和CPU限制性的限制。因此，我们提出了答案集网络（ASN），这是一种基于图神经网络（GNN）的可扩展方法，用于基于ASP的深度概率逻辑编程（DPPL）。我们展示了如何将ASP转换为ASN，并证明了ASN如何通过利用GPU的批处理和并行化能力高效解决编码题目。
创新点：
- 将ASP转换为等价的GNN，引入了推理图（RG）。
- ASN利用前向推理生成表明，然后过滤以获得全部ASP的稳定模子。
算法模子：
- 基于GNN的ASN，通过消息传递和模子简化来获得稳定模子。
实验效果：
- ASN在多个任务上逾越了CPU限制的NeSy系统，特别是在无人机宪法导航任务中，比基线快三个数量级。
保举阅读指数： 9/10
3. Critical-Questions-of-Thought: Steering LLM reasoning with Argumentative Querying
Authors: Federico Castagna, Isabel Sassoon, Simon Parsons
头脑的关键题目：用论证性查询引导LLM推理
摘要：
只管AI研究取得了突破性希望，但纵然是开始进的大型语言模子（LLM）在实行逻辑和数学推理时仍面临挑衅。本文利用论证理论中的关键题目概念，特别是Toulmin的论证模子，展示了如何通过这些题目提高LLM的推理能力。
创新点：
- 利用Toulmin模子中的关键题目来改进LLM的推理能力。
- 通过探测模子推理过程背后的逻辑，LLM可以评估是否发生逻辑错误，并在提供终极回复之前举行纠正。
算法模子：
实验效果：
- 在MT-Bench推理和数学任务上对所提出的方法举行了广泛的评估，显示出与基线相比的明显改进。
保举阅读指数： 7/10
4. Fake News Detection: Comparative Evaluation of BERT-like Models and Large Language Models with Generative AI-Annotated Data
Authors: haina Raza, Drai Paulen-Patterson and Chen Ding
https://arxiv.org/abs/2412.14276
假消息检测：BERT类模子与生成性AI注释数据的大型语言模子的比较评估
摘要：
本研究对BERT类编码器模子和自回归解码器大型语言模子（LLM）在假消息检测方面的性能举行了比较评估。我们引入了一个由GPT-4辅助标记的消息文章数据集，并由人类专家验证以确保可靠性。
创新点：
- 引入了一个新的数据集，该数据集由GPT-4辅助标记，并由人类专家验证。
- 开发了一个在推理期间举行多数投票的指令调解LLM方法，用于标签生成。
算法模子：
- 比较了BERT类模子和LLM在假消息检测任务上的性能。
实验效果：
- BERT类模子通常在分类任务中优于LLM，而LLM在文本扰动下表现出更好的鲁棒性。
保举阅读指数： 8/10
5. Multi-OphthaLingua: A Multilingual Benchmark for Assessing and Debiasing LLM Ophthalmological QA in LMICs
Authors: David Restrepo, Chenwei Wu, Zhengxu Tang, Zitao Shuai, Thao Nguyen
Minh Phan, Jun-En Ding, Cong-Tinh Dao, Jack Gallifant, Robyn Gayle Dychiao,
Jose Carlo Artiaga, Andr’e Hiroshi Bando, Carolina Pelegrini Barbosa
Gracitelli, Vincenz Ferrer, Leo Anthony Celi, Danielle Bitterman, Michael G
Morley, Luis Filipe Nakayama
https://arxiv.org/abs/2412.14304
多语言眼科问答基准：评估和镌汰LLM在低中收入国家的眼科问答偏见
摘要：
当前的眼科临床工作流程受到太过转诊、长时间等待和复杂异质的医疗记录的困扰。大型语言模子（LLM）提供了主动化各种步伐的有远景的解决方案，如分诊、开端测试（如视力评估）和报告总结。然而，LLM在差别语言的天然语言问答任务中表现出明显的性能差别，大概加剧低中收入国家（LMICs）的医疗差距。
创新点：
- 引入了第一个多语言眼科问答基准，包罗跨语言的人工筹谋题目，允许直接跨语言比较。
- 提出了CLARA（跨语言反思署理系统），一种新颖的推理时去偏见方法，利用检索加强生成和自我验证。
算法模子：
- 评估了6个流行的LLM在7种差别语言上的性能，并提出了CLARA方法来镌汰多语言偏见。
实验效果：
- CLARA方法不仅提高了全部语言的性能，还明显镌汰了多语言偏见差距。
保举阅读指数： 9/10
跋文
假如您对我的博客内容感爱好，欢迎三连击(点赞，关注和评论)，我将连续为您带来盘算机人工智能前沿技术(尤其是AI相干的大语言模子，深度学习，盘算机视觉相干方向)最新学术论文及工程实践方面的内容分享，助力您更快更准更系统地了解 AI前沿技术。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
