FinQAPT: Empowering Financial Decisions with End-to-End LLM-driven Question Answering Pipeline
Michigan State University(密歇根州立大学);JPMorgan Chase & Co.(摩根大通公司)
针对金融决策需分析海量文档信息的问题,研究提出端到端LLM驱动的FinQAPT问答流水线,通过聚类负采样、动态N样本提示优化,在FinQA数据集模块级达80.6%的SOTA准确率,同时分析了流水线层面的性能下降问题与挑战。
2024-10-31 cs.AI cs.CL cs.IR
ComRAG: Retrieval-Augmented Generation with Dynamic Vector Stores for Real-time Community Question Answering in Industry
School of Data Science and Engineering, East China Normal University(数据科学与工程学院,东华大学);Alibaba Group(阿里巴巴集团)
ComRAG 提出基于质心记忆机制的检索增强生成框架,融合静态知识与动态历史问答对,在三个工业 CQA 数据集上实现最高 25.9% 相似度提升、延迟降低 8.7%–23.3%,并将分块增长从 20.23% 降至 2.06%。
2025-07-01 cs.AI cs.CL
ChatGPT versus Traditional Question Answering for Knowledge Graphs: Current Status and Future Directions Towards Knowledge Graph Chatbots
Concordia University(康考迪亚大学);KAUST(阿卜杜拉国王科技大学)
用于知识图谱(KG)的会话人工智能和问答系统(QAS)都是新兴的研究领域:它们为用户提供自然语言界面,以便轻松有效地提取信息。对话式人工智能模拟与人类的对话;然而,它受到训练数据集中捕获的数据的限制。相比之下,QAS通过理解自然语言问题并将其转换为数据库引擎支持的正式查询来从KG中检索最新的信息。在本文中,我们提出了一个全面的研究现有的替代品的特点,以结合两个世界到新的KG聊天机器人。我们的框架比较了两个代表性的会话模型,ChatGPT和卡拉狄加,对KGQAN,目前最先进的QAS。我们进行了全面的评估,使用四个真正的KG在不同的应用领域,以确定目前的限制,每一类系统。根据我们的研究结果,我们提出了开放的研究机会,为KGs的聊天机器人功能赋予QAS。所有基准和所有原始结果可供进一步分析。
2023-02-08 cs.AI cs.CL cs.IR
IndustryAssetEQA: A Neurosymbolic Operational Intelligence System for Embodied Question Answering in Industrial Asset Maintenance
Artificial Intelligence Institute, University of South Carolina(南卡罗来纳大学人工智能研究所);University of South Carolina(南卡罗来纳大学);IBM Yorktown(IBM约克镇分公司);Indian AI Research Organization(印度人工智能研究组织)
本文提出IndustryAssetEQA系统,结合事件 telemetry 表示与FMEA-KG知识图谱,提升工业资产问答的结构有效性、反事实准确性及解释蕴含性,减少专家评估的过度声称。
2026-04-25 cs.AI
Research on Vision-Language Question Answering Models for Industrial Robots
Shandong Management University(山东管理大学);Maria Curie-Sklodowska University(玛丽·居里-斯洛多夫斯卡大学)
本文提出一种层次交叉模态融合模型,解决工业机器人中语义模糊、复杂环境布局和领域术语的问题,通过多级特征融合提升问答可靠性。
2026-05-02 cs.AI cs.CV
Empowering Cross-lingual Abilities of Instruction-tuned Large Language Models by Translation-following demonstrations
Idiap Research Institute(伊迪亚普研究所);University of Manchester(曼彻斯特大学)
针对大语言模型跨语言能力不均衡问题,提出带翻译跟随示例的CrossAlpaca指令调优模型,通过语义对齐增强非英语能力,在多类基准六种语言上优于单语调优模型。
2023-08-27 cs.AI cs.CL
Collaboration among Multiple Large Language Models for Medical Question Answering
College of Computing & Informatics(计算机与信息学院)
本研究提出一个多大型语言模型协作框架,用于医学问答,通过事后分析证明能提升推理能力、减少分歧,并发现置信度与准确性正相关。
2025-05-22 cs.AI cs.CL
Boosting Scientific Concepts Understanding: Can Analogy from Teacher Models Empower Student Models?
School of Data Science, Fudan University(复旦大学数据科学学院);The Hong Kong University of Science and Technology(香港科技大学);Shanghai Jiao Tong University(上海交通大学)
本文提出研究教师语言模型生成的类比如何辅助学生语言模型理解科学概念,实验证明自由形式的类比能有效提升模型理解能力,且学生模型自行生成的类比可提高其在科学问答中的表现并实现自我学习。
2024-09-25 cs.AI cs.CL
EHRAgent: Code Empowers Large Language Models for Few-shot Complex Tabular Reasoning on Electronic Health Records
Georgia Institute of Technology(佐治亚理工学院);Emory University(埃默里大学);University of Washington(华盛顿大学)
针对大语言模型在医疗问题解决领域应用不足的问题,提出搭载代码接口、带长期记忆的EHRAgent智能体,通过任务分解、迭代纠错代码实现EHR多表格推理,在三个真实数据集上成功率最高超最强基线29.6%。
2024-10-04 cs.AI cs.CL
Empowering LLMs with Logical Reasoning: A Comprehensive Survey
Institute for Logic, Language and Computation, University of Amsterdam(阿姆斯特丹大学逻辑、语言与计算研究所);Center for Data Science, Peking University(北京大学数据科学中心);Tsinghua-UvA JRC for Logic, Department of Philosophy, Tsinghua University(清华大学哲学系);Machine Learning Department, MBZUAI(MBZUAI机器学习部门);Department of Philosophy, CMU(卡内基梅隆大学哲学系);State Key Lab of General AI, School of Intelligence Science and Technology, Peking University(北京大学人工智能通用实验室);Institute for Artificial Intelligence, Peking University(北京大学人工智能研究所);Pazhou Laboratory (Huangpu), Guangzhou(广州黄埔实验室)
本文全面综述了大语言模型在逻辑推理方面的挑战与前沿方法,提出分类体系,涵盖逻辑问答与逻辑一致性,并展望模态逻辑与多一致性算法等未来方向。
2025-07-21 cs.AI cs.CL
Did the Model Understand the Question?
University of Chicago(芝加哥大学);Google Brain(谷歌大脑);Google(谷歌)
我们分析了三个任务的最先进的深度学习模型:(1)图像,(2)表格和(3)文本段落的问答。使用\emph{attribution}(单词重要性)的概念,我们发现这些深度网络经常忽略重要的问题术语。利用这种行为,我们扰动问题来制作各种对抗性的例子。我们最强的攻击将视觉问答模型的准确性从$61.1\%$降低到$19\%$,将表格问答模型的准确性从$33.5\%$降低到$3.3\%$。此外,我们还展示了归因如何加强Jia和Liang(2017)对段落理解模型提出的攻击。我们的研究结果表明,归因可以增强准确性的标准措施,并授权调查模型的性能。当一个模型是准确的,但由于错误的原因,属性可以表面错误的逻辑模型,表明在测试数据的不足。
2018-05-14 cs.AI cs.CL
LB-KBQA: Large-language-model and BERT based Knowledge-Based Question and Answering System
University of Liverpool(利物浦大学);School of Advanced Technology(先进技术学院)
针对知识库问答系统意图识别受限于语言多样性和资源不足的问题,提出结合大语言模型与BERT的LB-KBQA系统,能检测新意图并获取新知识,在金融问答中表现优越。
2024-02-09 cs.AI cs.CL
KG-Hopper: Empowering Compact Open LLMs with Knowledge Graph Reasoning via Reinforcement Learning
Department of Computer Science(计算机科学系);Engineering Chalmers University of Technology(工程学院查尔姆斯理工大学)
KG-Hopper通过强化学习框架,使紧凑型开放式大语言模型能够在一个推理回合内完成多跳知识图谱推理,优于更大系统并达到与专有模型相当的性能。
2026-04-14 cs.AI cs.CL
EIAD: Explainable Industrial Anomaly Detection Via Multi-Modal Large Language Models
Shanghai Jiao Tong University(上海交通大学)
针对现有工业异常检测方法缺乏详细缺陷描述、多模态大模型应用存在性能与定位能力平衡难题,本文提出解耦对话与特征提取的EIAD方法,并构建真实多模态数据集DDQA,显著提升了检测准确率与可解释性。
2025-05-16 cs.AI
PerMedCQA: Benchmarking Large Language Models on Medical Consumer Question Answering in Persian Language
School of Computer Science Institute for Research in Fundamental Sciences(计算机科学学院基础科学研究研究所);School of Electrical and Computer Engineering University of Tehran(电气与计算机工程学院塔里班大学);Department of Computer Science Faculty of Mathematical Sciences Alzahra University(计算机科学系数学科学学院阿扎赫拉大学)
本文提出PerMedCQA,首个波斯语医学消费者问答基准,含68,138个问答对,并利用MedJudge框架评估多种LLM,揭示多语言医学问答挑战,推动更准确的医学辅助系统开发。
2025-05-23 cs.AI cs.CL
Empower Entity Set Expansion via Language Model Probing
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of California San Diego(加利福尼亚大学圣地亚哥分校)
实体集扩展是一项重要的任务,它的目标是用属于同一语义类的新实体来扩展一个小的种子实体集,这有利于许多下游的自然语言处理和信息检索应用,如问答、查询理解和分类构造。现有的集合扩展方法通过自适应地选择上下文特征和提取新的实体来引导种子实体集合。实体集扩展的一个关键挑战是避免选择模糊的上下文特征,这将改变类的语义,并导致在以后的迭代中累积错误。在这项研究中,我们提出了一种新的迭代集扩展框架,利用自动生成的类名来解决语义漂移问题。在每次迭代中,我们通过探测预先训练的语言模型来选择一个正类名和几个负类名,并根据所选类名对每个候选实体进行进一步评分。在两个数据集上的实验表明,我们的框架生成高质量的类名,并显着优于以前的最先进的方法。
2020-06-29 cs.CL
GSQA: An End-to-End Model for Generative Spoken Question Answering
National Taiwan University(台湾大学);Meta AI
本文提出首个端到端生成式口语问答模型GSQA,通过文本模型初始化和抽取式问答知识迁移实现抽象式推理,在抽取式数据集上提升3%,并展现出对未见抽象式口语问题的泛化能力。
2024-07-22 cs.AI cs.CL
Retrieve, Summarize, Plan: Advancing Multi-hop Question Answering with an Iterative Approach
Ant Group(蚂蚁集团)
本文提出新型迭代 RAG 方法 ReSP,通过双功能摘要器同时压缩总体问题和当前子问题的检索信息,解决多跳问答中的上下文过载与规划冗余问题,在 HotpotQA 和 2WikiMultihopQA 上显著优于现有方法。
2025-01-30 cs.AI cs.CL
Uni-Parser: Unified Semantic Parser for Question Answering on Knowledge Base and Database
Salesforce Research(Salesforce研究院);Yale University(耶鲁大学)
将自然语言问题解析成可执行的逻辑形式是对诸如知识库(KB)或数据库(DB)之类的结构化数据执行问答的有用且可解释的方式。然而,现有的语义解析方法不能适应这两种模式,因为它们遭受的逻辑形式候选人的指数增长,很难推广到看不见的数据。在这项工作中,我们提出了Uni-Parser,一个统一的语义解析器的问答(QA)的知识库和数据库。我们引入原语(KB中的关系和实体,DB中的表名、列名和单元值)作为框架中的基本元素。基元的数量随着KB和DB中检索到的关系的数量而线性增长,这使我们无法处理指数逻辑形式的候选者。我们利用生成器来预测最终的逻辑形式,通过改变和组合具有不同操作(例如选择,在哪里,计数)的顶级原语。通过对比基元排序器对搜索空间进行充分的修剪,生成器能够捕获基元的组合,从而增强了其泛化能力。我们在多个KB和DB QA基准测试中更有效地获得了有竞争力的结果,特别是在组合和zero-shot设置中。
2022-11-09 cs.AI cs.CL cs.PL
HALO: Hallucination Analysis and Learning Optimization to Empower LLMs with Retrieval-Augmented Context for Guided Clinical Decision Making
University of North Texas(北德克萨斯大学);University of Tennessee(田纳西大学);University of Tennessee Health Science Center(田纳西大学健康科学中心)
本文提出HALO框架,通过查询变体生成、外部知识检索和最大边际相关性排序来减少医学问答中的幻觉,显著提升了Llama-3.1和ChatGPT的准确性,改善临床决策。
2024-09-18 cs.AI cs.CL
Fine-Tuned Thoughts: Leveraging Chain-of-Thought Reasoning for Industrial Asset Health Monitoring
IBM Research(IBM研究院)
针对工业4.0领域小型语言模型复杂推理能力不足的问题,提出基于思维链蒸馏的工业资产健康知识蒸馏框架,通过MCQA提示蒸馏LLM能力并结合上下文学习验证,微调后的SLM性能大幅提升,缩小了与LLM的差距,相关代码已开源。
2025-10-21 cs.AI cs.CL
AVA: an Automatic eValuation Approach to Question Answering Systems
Amazon Alexa(亚马逊 Alexa)
本文介绍了一种自动评价问答的方法AVA,它给出了一组与金标准答案相关联的问题,可以评估系统的准确性。AVA使用基于transformer的语言模型对问题、答案和参考文本进行编码。这允许有效地测量参考和自动答案之间的相似性,偏向于问题语义。为了设计、训练和测试AVA,我们在公共和工业基准上构建了多个大型训练、开发和测试集。我们的创新解决方案在预测人类对单一答案的判断时,F1得分高达74.7%。此外,AVA可用于评估整体系统准确度,RMSE范围为0.02至0.09,具体取决于多个参考的可用性。
2020-05-02 cs.AI cs.CL cs.IR
OpenTCM: A GraphRAG-Empowered LLM-based System for Traditional Chinese Medicine Knowledge Retrieval and Diagnosis
Department of Obstetrics and Gynaecology(妇产科系);School of Chinese Medicine(中医学系)
本文提出 OpenTCM,结合中医知识图谱与 GraphRAG 技术,无需微调即可实现高保真成分检索与诊断问答,在真实中医用例中优于现有方案。
2025-06-27 cs.AI cs.IR
Empowering Language Models with Active Inquiry for Deeper Understanding
Nanjing University(南京大学);Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
本文提出 LaMAI 框架,利用主动学习技术让语言模型主动提问以澄清用户意图,在复杂数据集上将答案准确率从 31.9% 提升至 50.9%,并优于基线方法。
2024-02-06 cs.AI cs.CL
Ask-EDA: A Design Assistant Empowered by LLM, Hybrid RAG and Abbreviation De-hallucination
IBM Research(IBM研究院);IBM Infrastructure(IBM基础设施部门)
本文提出 Ask-EDA 设计助手,融合 LLM、混合 RAG 与 ADH,并通过三个专用数据集验证其在问答、命令处理和缩写解析上的显著效果。
2024-06-03 cs.AI cs.CL
Beyond Text: Optimizing RAG with Multimodal Inputs for Industrial Applications
Center for Information and Language Processing, LMU Munich(慕尼黑大学信息与语言处理中心);Siemens AG(西门子公司)
针对工业领域RAG系统,研究通过对比两种图像处理策略和两种大模型,验证多模态输入可提升性能,且图像文本摘要方法比多模态嵌入更具潜力。
2024-10-29 cs.AI cs.CL
MediFact at MEDIQA-M3G 2024: Medical Question Answering in Dermatology with Multimodal Learning
National University of Computer and Emerging Sciences (NUCES-FAST)(国家计算机与新兴科学大学(NUCES-FAST))
本文提出一种弱监督多模态学习方法,结合VGG16-CNN-SVM与ViT-CLIP模型,解决皮肤病学多语言开放式医学问答问题,为临床决策支持系统提供支撑。
2024-04-27 cs.AI cs.CL cs.CV
Conversational Question Answering: A Survey
The University of Adelaide(阿德莱德大学);Macquarie University(麦考瑞大学)
问答(QA)系统提供了一种查询以各种格式可用的信息的方式,包括但不限于以自然语言的非结构化和结构化数据。它构成了对话式人工智能(AI)的相当大的一部分,这导致了对对话式问答(CQA)的特殊研究课题的引入,其中要求系统理解给定的上下文,然后进行多轮问答以满足用户的信息需求。虽然大多数现有的研究工作的重点是受到单轮QA,多轮QA领域最近抓住了注意力和突出,由于大规模的,多轮QA数据集的可用性和预先训练的语言模型的发展。近年来,随着大量的模型和研究论文的增加,迫切需要以统一的方式安排和呈现相关工作,以简化未来的研究。因此,这项调查旨在对CQA的最新研究趋势进行全面回顾,主要基于2016-2021年的综述论文。我们的研究结果表明,已经出现了从单轮到多轮问答的趋势,这从不同的角度赋予了对话式AI领域以力量。本调查旨在为研究界提供一个缩影,希望为CQA领域奠定坚实的基础。
2021-06-03 cs.AI cs.CL cs.IR
PPoGA: Predictive Plan-on-Graph with Action for Knowledge Graph Question Answering
MODULABS
PPoGA通过引入规划器-执行器架构和预测处理机制,提升知识图谱问答的鲁棒性和灵活性,实现状态-of-the-art性能。
2025-11-22 cs.AI cs.CL cs.IR
FQuAD2.0: French Question Answering and knowing that you know nothing
Illuin Technology(伊鲁因科技)
问答,包括阅读理解,是NLP研究领域之一,在过去的几年里,由于语言建模的同步进步,已经取得了重大的科学突破。然而,这些突破大多集中在英语上。2020年,作为第一个弥合法语差距的强有力举措,Illuin Technology推出了FQuAD 1. 1,这是一个法语母语阅读理解数据集,由从维基百科文章中提取的60,000多个问题和答案样本组成。尽管如此,在此数据集上训练的问答模型有一个主要缺点:它们无法预测给定问题何时在感兴趣的段落中没有答案,因此在各种工业用例中做出不可靠的预测。在目前的工作中,我们介绍了FQuAD 2.0,它扩展了FQuAD与17,000+无法回答的问题,注释相反,为了类似于可回答的。这个新的数据集总共包含近80,000个问题,使得训练法国问答模型能够区分无法回答的问题和可回答的问题。我们用这个数据集对几个模型进行了基准测试:我们最好的模型,一个微调过的CamemBERT-large,在这个分类任务上的F1得分为82.3%,在阅读理解任务上的F1得分为83%。
2021-09-27 cs.AI cs.CL cs.LG
AcademicGPT: Empowering Academic Research
ReadPaper Team(ReadPaper团队);International Digital Economy Academy(国际数字经济学院)
本文介绍了AcademicGPT,一个基于LLaMA2-70B持续训练的学术领域专用模型,通过多基准评估验证了其通用、中文及学术能力,并开发了多项学术辅助应用。
2023-11-21 cs.CL
Towards Robust Evaluation: A Comprehensive Taxonomy of Datasets and Metrics for Open Domain Question Answering in the Era of Large Language Models
Apple Inc.(苹果公司)
该研究梳理大语言模型时代开放域问答的基准现状,提出融合模态与难度的新型数据集分类体系,结构化整理评估指标并分析其权衡,为现代问答系统鲁棒评估提供框架,同时指明当前挑战与未来研发方向。
2024-06-19 cs.AI cs.CL cs.IR
Odyssey: Empowering Minecraft Agents with Open-World Skills
Zhejiang University(浙江大学);Hangzhou City University(杭州城市大学)
提出Odyssey框架,通过开放世界技能库、微调LLaMA-3模型和全新能力基准,赋予Minecraft智能体长程规划与自主探索能力,有效评估LLM智能体表现。
2025-05-31 cs.AI
LatticeWorld: A Multimodal Large Language Model-Empowered Framework for Interactive Complex World Generation
NetEase, Inc.(网易公司);Beihang University(北京航空航天大学);Tsinghua University(清华大学);City University of Hong Kong(香港城市大学);Independent Researcher & Technical Artists(独立研究者及技术艺术家)
提出LatticeWorld框架,利用轻量级大语言模型与工业级渲染引擎,根据多模态输入生成大规模3D交互世界,实现高保真物理模拟与实时渲染,生产效率提升超90倍。
2025-09-08 cs.AI cs.CV cs.LG
R2GQA: Retriever-Reader-Generator Question Answering System to Support Students Understanding Legal Regulations in Higher Education
University of Information Technology(信息科技大学);Vietnam National University, Ho Chi Minh City(越南国家大学胡志明市分校)
本文提出由检索器、阅读器和生成器组成的 R2GQA 越南语法律问答系统,并构建含 9,758 个问答对的 ViRHE4QA 数据集,实验验证其可帮助学生理解高校法规。
2024-09-04 cs.AI cs.CL
MedGame: Storytelling Gamification Empowered by Large Language Models for Medical Education
CUHK(香港中文大学);Southern Medical University(南方医科大学);Peking University(北京大学);Tencent(腾讯)
研究旨在利用大语言模型助力医学教育,提出MedGame框架,通过双引擎设计将临床病例转化为故事化游戏,构建MedGame Bench进行评估,实验显示特定任务微调提升开源模型表现,学生研究表明其更具吸引力和实用性。
2026-07-24 cs.CL cs.HC
CyberPal.AI: Empowering LLMs with Expert-Driven Cybersecurity Instructions
IBM Research(IBM研究院);Ben-Gurion University(本古里安大学)
针对大语言模型在网络安全领域应用的挑战,研究构建专家知识驱动的指令数据集SecKnowledge,微调得到安全专用模型CyberPal.AI,并推出综合评估基准SecKnowledge-Eval,性能较基线最高提升24%。
2024-08-17 cs.CL
The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility?
The Chinese University of Hong Kong(香港中文大学);Shanghai Jiao Tong University(上海交通大学)
本文提出基于直接偏好优化的对齐框架,通过平衡安全与实用性,在化学领域构建数据集并评估,使模型整体性能超越Claude-3等领先LLM,同时揭示长链思维推理带来的伦理风险。
2025-02-27 cs.AI cs.CL
BenchCAD: A Comprehensive, Industry-Standard Benchmark for Programmatic CAD
University of Virginia(弗吉尼亚大学);University of California, San Diego(加州大学圣地亚哥分校);Rice University(莱斯大学)
BenchCAD通过视觉问答、代码问答、图像到代码生成和指令引导的代码编辑评估模型,发现当前系统在生成精确参数化CAD程序方面存在不足,需进一步改进工业应用能力。
2026-05-12 cs.AI cs.CV cs.SE
Thinking in Many Modes: How Composite Reasoning Elevates Large Language Model Performance with Limited Data
PhiLabs;Quantiphi Inc(Quantiphi公司)
本文提出复合推理方法,让大语言模型动态组合演绎、归纳、溯因等多种推理风格,在科学和医学问答任务上超越链式思维及DeepSeek-R1风格推理,并展现出更好的样本效率与领域自适应能力。
2025-09-26 cs.AI cs.CL
K-AID: Enhancing Pre-trained Language Models with Domain Knowledge for Question Answering
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);Fudan University(复旦大学)
知识增强的预训练语言模型(K-PLM)被证明是有效的许多公共任务在文献中,但很少有成功地应用于实践。为了解决这个问题,我们提出了K-AID,这是一种系统化的方法,包括用于获取领域知识的低成本知识获取过程,用于提高模型性能的有效知识注入模块,以及用于减小模型大小和在资源受限设备上部署K-PLM的知识蒸馏组件(例如,CPU)用于实际应用。重要的是,我们的方法不是像大多数现有的K-PLM那样捕获实体知识,而是捕获关系知识,这有助于更好地改进在问答(QA)中起关键作用的文本级文本分类和文本匹配任务。我们进行了一组实验,五个文本分类任务和三个文本匹配任务,从三个领域,即电子商务,政府,电影和电视,并进行在线A/B测试在电子商务。实验结果表明,该方法能够实现对业务级问答任务的实质性改进,并在工业环境中带来有益的商业价值。
2021-09-22 cs.AI
Last Layer Logits to Logic: Empowering LLMs with Logic-Consistent Structured Knowledge Reasoning
Zhejiang University(浙江大学);Ant Group(蚂蚁集团);ZJU-Ant Group Joint Lab of Knowledge Graph(浙江大学-蚂蚁集团知识图谱联合实验室)
针对LLM在结构化知识推理中的逻辑漂移问题,提出Logits-to-Logic框架,通过logits增强和过滤模块修正输出逻辑缺陷,在多个KGQA基准上取得最佳性能。
2026-10-05 cs.CL
Extracting Semantics from Maintenance Records
GE Research(通用电气研究院)
自然语言处理的快速发展已经导致其在各种工业和企业环境中的使用,包括其用于从诸如工程手册和现场维护报告之类的文档中信息抽取,特别是命名实体识别和关系抽取。虽然命名实体识别是一个很好的研究问题,现有的国家的最先进的方法需要大的标记数据集,这是很难获得的敏感数据,如维护记录。此外,工业领域专家倾向于不信任来自黑盒机器学习模型的结果,特别是当提取的信息用于下游预测性维护分析时。我们克服了这些挑战,开发三种方法建立在领域专家知识的基础上,在字典和本体。我们开发了一种基于语法和语义规则的方法,以及一种利用预训练的语言模型的方法,该方法在我们的基础词典查找之上针对问答任务进行了微调,以从维护记录中提取感兴趣的实体。我们还开发了一个初步的本体来表示和捕捉的语义维护记录。我们对真实世界的航空维修记录数据集的评估显示了有希望的结果,并有助于确定在嘈杂的工业数据背景下命名实体识别所面临的挑战。
2021-08-11 cs.AI cs.CL
Empowering Users in Digital Privacy Management through Interactive LLM-Based Agents
Johns Hopkins University(约翰斯·霍普金斯大学);The University of Georgia(佐治亚大学);Sun Yat-sen University(中山大学)
本文提出一种基于LLM的交互式智能体,用于帮助用户理解网站隐私政策,实验表明其显著提升了用户理解水平、降低了认知负荷并缩短了任务时间,赋能数字隐私管理。
2024-10-15 cs.AI cs.CR cs.HC
StableSketcher: Enhancing Diffusion Model for Pixel-based Sketch Generation via Visual Question Answering Feedback
Dongguk University(东国大学)
本文提出StableSketcher框架,通过优化潜在解码和视觉问答反馈提升扩散模型生成手绘素描的逼真度和语义一致性。
2026-04-14 cs.AI cs.CV
MMAD: A Comprehensive Benchmark for Multimodal Large Language Models in Industrial Anomaly Detection
Southern University of Science and Technology(南方科技大学);Tencent YouTu Lab(腾讯优图实验室);University of Alberta(阿尔伯塔大学);Shanghai Jiao Tong University(上海交通大学)
针对工业异常检测领域MLLMs能力缺乏系统评估的问题,本文提出首个全谱系基准MMAD,构建含3.9万余问题的数据集并评测前沿模型,发现商用模型表现最优但仍未达工业要求,还探索了两种免训练增强策略。
2025-02-21 cs.AI cs.CV
Ctrl-G: Controlling Structural and Interaction Exposure in Knowledge Graph Augmented LLM Reasoning
University of New South Wales(新南威尔士大学);Data61, CSIRO(Data61,CSIRO)
PrivGemo通过双塔设计和隐私保护机制,实现隐私保护的图检索增强推理,提升LLM在知识密集型任务中的推理能力。
2026-11-02 cs.CL
Boosting Audio Visual Question Answering via Key Semantic-Aware Cues
Renmin University of China(中国人民大学)
本文提出时空感知模型TSPM,通过构建陈述性句子提示和空间感知模块,有效感知音视频问答中关键的时空视听线索,在多个AVQA基准上表现优异。
2024-07-30 cs.AI cs.CV cs.MM
Find The Gap: Knowledge Base Reasoning For Visual Question Answering
Michigan State University(密歇根州立大学)
本文研究KB-VQA中视觉与外部知识库知识的融合及多跳推理,比较从头训练的神经模型与LLM,发现监督检索有益,且LLM的隐式知识无法替代显式KB。
2024-04-16 cs.AI cs.CL cs.CV
FashionReGen: LLM-Empowered Fashion Report Generation
The Hong Kong Polytechnic University(香港理工大学);National University of Singapore(新加坡国立大学)
针对人工时尚报告成本高且易有偏的问题,本文提出基于LLM的GPT-FAR系统,通过时装秀理解、组织分析和报告生成完成FashionReGen任务。
2024-03-11 cs.AI cs.MA cs.MM
Precision Empowers, Excess Distracts: Visual Question Answering With Dynamically Infused Knowledge In Language Models
Indian Institute of Science(印度科学学院)
本文面向KBVQA,在OFA中利用动态三元组抽取按问题需求注入知识图谱上下文,实验显示其在三个数据集上平均Exact Match提升4.75%,并具备良好泛化性。
2024-06-14 cs.CL
Semantic Modeling for Food Recommendation Explanations
Rensselaer Polytechnic Institute(伦斯勒理工学院)
随着越来越多地使用人工智能方法来提供健康方面的建议,特别是在食物饮食建议领域,也越来越需要这些建议的可解释性。这种解释将使推荐系统的用户受益,使他们有理由遵循系统的建议。我们提出的食品解释本体(FEO),提供了一个形式主义的建模解释给用户的食品相关的建议。FEO对食物推荐进行建模,使用来自解释域的概念来创建对用户从AI系统(如个性化知识库问答系统)收到的关于食物推荐的问题的回答。FEO使用模块化、可扩展的结构,可用于各种解释,同时仍保留重要的语义细节,以准确地表示食物推荐的解释。为了评估这个系统,我们使用了一组能力问题,来自文献中的解释类型,是相关的食品建议。我们使用FEO的动机是让用户能够做出关于他们健康的决定,充分了解AI推荐系统,因为它们与用户问题有关,通过解释的形式提供建议背后的推理。
2021-05-04 cs.AI
3DCity-LLM: Empowering Multi-modality Large Language Models for 3D City-scale Perception and Understanding
School of Geospatial Engineering and Science(测绘工程与科学学院);Sun Yat-sen University(中山大学);College of Electronic Science(电子科学学院);National University of Defense Technology(国防科技大学);Department of Civil and Environmental Engineering(土木与环境工程系);Norwegian University of Science and Technology(挪威科技大学);National Geomatics Center of China(中国国家测绘地理信息中心)
本文提出3DCity-LLM框架,通过粗到细的特征编码策略和120万高质量数据集,提升城市级多模态感知与理解能力,实验表明其在空间推理和城市智能方面优于现有方法。
2026-03-24 cs.AI cs.CV
Enhancing Question Answering for Enterprise Knowledge Bases using Large Language Models
BOSS Zhipin(BOSS直聘);University of Science and Technology of China(中国科学技术大学);PBC School of Finance, Tsinghua University(清华大学五道口金融学院);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);Institute of Artificial Intelligence, Beihang University(北京航空航天大学人工智能研究院);Zhongguancun Laboratory(中关村实验室);The Hong Kong University of Science and Technology (GuangZhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学);Guangzhou HKUST Fok Ying Tung Research Institute(广州港科大霍英东研究院)
本文提出 EKRG 框架,通过 LLM 生成训练数据优化检索器,并结合思维链微调生成器,以低成本解决企业知识库问答问题。
2024-04-20 cs.AI cs.CL cs.IR