大模型推理能力

Compressed Causal Reasoning: Quantization and GraphRAG Effects on Interventional and Counterfactual Accuracy

压缩因果推理：量化与图RAG对干预和反事实准确率的影响

Steve Nwaiwu, Nipat Jongsawat, Anucha Tungkasthan

机构 * School of Data and Information（数据与信息学院） ； Rajamangala University of Technology（拉贾穆angala技术大学） 纠错

专题命中 代码与定理证明 ：reasoning(title,abstract)；分类 cs.AI

AI总结 研究探讨量化与图结构增强对因果推理准确率的影响，发现四比特量化对因果推理具有鲁棒性，图结构增强可提升干预准确性，现有反事实基准需改进以捕捉更深层次因果脆弱性。

zkFL-Health: Blockchain-Enabled Zero-Knowledge Federated Learning for Medical AI Privacy

zkFL-Health: 区块链赋能的零知识联邦学习用于医疗AI隐私

Savvy Sharma, George Petrovic, Sarthak Kaushik

机构 * School of Arts And Technology（艺术与技术学院） ； George Brown Polytechnic（乔治布朗理工学院） 纠错

专题命中 代码与定理证明 ：verifier(abstract)；分类 cs.LG

AI总结 zkFL-Health通过结合联邦学习、零知识证明和可信执行环境，实现医疗AI的隐私保护和可验证协作训练。

Comments 10 pages, 1 figure, 5 tables

The Silent Scholar Problem: A Probabilistic Framework for Breaking Epistemic Asymmetry in LLM Agents

沉默学者问题：一种基于概率的框架，用于在LLM代理中打破知识不对称性

Zan-Kai Chong, Hiroyuki Ohsaki, Bryan Ng

机构 * School of Science and Technology（科学与技术学院） ； Kwansei Gakuin University（冈山大学） ； School of Engineering & Computer Science（工程与计算机科学学院） ； Victoria University of Wellington（惠灵顿维多利亚大学） 纠错

专题命中 代码与定理证明 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出了一种基于概率的框架，用于在LLM代理中打破知识不对称性，通过双向知识交流和不确定性驱动的主动学习策略提升代理的适应性和信息获取能力。