IBM

Cross-Lingual Exploration for Parametric Knowledge

跨语言探索参数化知识

Elisha Diskind, Itamar Trainin, Uri Shaham, Leshem Choshen, Idan Szpektor, Omri Abend

机构 * The Hebrew University of Jerusalem（海法大学） ； Google Research（谷歌研究） ； MIT, IBM-MIT Watson AI Lab（麻省理工学院与IBM-麻省理工 Watson人工智能实验室） 纠错

AI总结 本文研究通过跨语言提示策略探索大型语言模型中的隐藏事实知识，发现跨语言探索能显著提升知识迁移和事实召回，比单语言扩展更高效，并改善跨语言一致性。

Comments 29 pages, 5 figures, preprint

Average Rankings Mask Per-Subject Optimality: A Friedman-Nemenyi Benchmark of EEG Motor-Imagery BCI Decoders

平均排名掩盖了个体最优性：基于Friedman-Nemenyi基准测试的EEG运动想象BCI解码器比较

Xavier Vasques, Paul Barbaste, Olivier Oullier

机构 * IBM Technology（IBM技术） ； IBM France Lab（IBM法国实验室） ； Inclusive Brains（包容大脑） ； Wavestone ； Human Technology Foundation（人类科技基金会） ； Computing and Mathematical Sciences Division（计算与数学科学部） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（Mohamed bin Zayed人工智能大学） ； Institute for Artificial Intelligence, Biotech Dental Group（人工智能研究所，生物技术牙科集团） 纠错

AI总结 本研究通过大规模基准测试（MOABB）评估1056种EEG运动想象解码配置，发现无单一管道普遍最优，个体间差异显著，需个性化模型选择。

Comments 16 pages, 6 figures, 4 tables

Ill-Posed by Design: Probing Evidence Use in VLMs

刻意设计的不适定问题：探究VLMs中的证据使用

Boaz Meivar, Shaked Perek, Shani Shvartzman, Eli Schwartz, Shai Avidan

机构 * Tel Aviv University（特拉维夫大学） ； IBM Research（IBM研究院） 纠错

AI总结 提出单目物体尺寸估计作为不适定诊断任务，通过反事实分析分解六种视觉和语言证据通道，评估12个开源VLM，发现最大模型仍落后于纯文本LLM，且模型未有效利用场景几何信息。

Beyond the Autoregressive Horizon: A Comprehensive Survey of Diffusion Models, World Modelling, and State Space Models for Code

超越自回归视野：扩散模型、世界模型和状态空间模型在代码领域的综合综述

Kishan Maharaj, Ashita Saxena, Srikanth Tamilselvam

机构 * IBM 纠错

AI总结 综述扩散模型、代码世界模型和状态空间模型在代码生成中的潜力，以克服自回归模型在全局规划、长程依赖和执行语义方面的局限，并展望“系统2”代码生成智能体。

Comments 14 Pages, 1 Table, 1 Figure

Dynamic Symmetric Point Tracking: Tackling Non-ideal Reference in Analog In-memory Training

动态对称点跟踪：解决模拟内存训练中的非理想参考问题

Quan Xiao, Jindan Li, Zhaoxian Wu, Tayfun Gokmen, Tianyi Chen

机构 * Department of Electrical and Computer Engineering, Cornell University, New York, NY（康奈尔大学电气与计算机工程系） ； IBM T. J. Watson Research Center, Yorktown Heights, NY（IBM 沃森研究中心） ； Rensselaer Polytechnic Institute, Troy, NY（伦塞拉尔理工学院） 纠错

AI总结 针对模拟内存计算中非理想器件导致的权重更新偏向对称点问题，提出动态对称点估计方法，在训练中跟踪对称点并保证收敛，结合数字信号处理技术增强性能。

LoMime: Query-Efficient Membership Inference using Model Extraction in Label-Only Settings

LoMime: 仅标签设置下基于模型提取的高效成员推理

Abdullah Caglar Oksuz, Anisa Halimi, Erman Ayday

机构 * Department of Computer and Data Sciences（计算机与数据科学系） ； Case School of Engineering（凯斯工程学院） ； Case Western Reserve University（凯斯西储大学） ； IBM Research（IBM研究院） 纠错

AI总结 提出一种基于迁移性和模型提取的仅标签成员推理攻击框架，通过一次性查询提取替代模型，在严格黑盒约束下显著降低查询成本，性能与最先进方法相当。

Rethinking Generalized BCIs: Benchmarking 340,000+ Unique Algorithmic Configurations for EEG Mental Command Decoding

重新思考通用BCI：对超过340,000种独特的算法配置进行基准测试以解码EEG心理命令解码

Paul Barbaste, Olivier Oullier, Xavier Vasques

机构 * Inclusive Brains（包容大脑） ； Wavestone ； Human Technology Foundation（人类科技基金会） ； Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学） ； Institute for Artificial Intelligence, Biotech Dental Group（人工智能研究所，生物技术牙科集团） ； IBM Technology（IBM技术） ； IBM France Lab（IBM法国实验室） 纠错

AI总结 本文通过评估超过340,000种独特的空间和非线性EEG分类组合，重新审视通用BCI，发现非线性方法在特定个体中表现更优，强调个性化流程选择的必要性。

Comments 28 pages, 8 figures, 2 tables

Few shot chain-of-thought driven reasoning to prompt LLMs for open ended medical question answering

少样本思维链推理以提示LLMs进行开放式医学问答

Saeel Sandeep Nachane, Ojas Gramopadhye, Prateek Chanda, Ganesh Ramakrishnan, Kshitij Sharad Jadhav, Yatin Nandwani, Dinesh Raghu, Sachindra Joshi

机构 * IBM Research（IBM研究院） ； Indian Institute of Technology Bombay（印度理工学院孟买分校） 纠错

AI总结 提出MEDQA-OPEN数据集和CLINICR提示方法，通过思维链推理提升LLMs在开放式医学问答中的表现，并引入奖励模型进行答案验证。

Comments The paper is accepted in EMNLP 2024 Findings