Towards a Unified Paradigm: Integrating Recommendation Systems as a New Language in Large Models
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);prompting(abstract)
Comments 13 pages, 5 figures
AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);prompting(abstract)
Comments 13 pages, 5 figures
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);preference optimization(abstract)
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);prompting(abstract)
Journal ref Humanities and Social Sciences Communications 11: 1392 (2024)
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);SLM(abstract)
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);prompting(abstract)
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);instruction tuning(abstract)
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);prompting(abstract)
Comments 9 pages 7 figures, 1 table, 1 cypher code Accepted to ICMLA 2024
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);prompting(abstract)
专题命中 领域大模型 :large language model(abstract);language model(abstract);foundation model(abstract);prompting(abstract)
Comments This preprint version includes corrections of typographical errors related to numerical values in Table 2, which were present in the version published at the BDH workshop in MIPR 2024. These corrections do not affect the overall conclusions of the study
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);preference optimization(abstract)
Comments arXiv admin note: substantial text overlap with arXiv:2404.15149
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);prompting(abstract)
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);prompting(abstract)
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);prompting(abstract)
Comments 4 pages
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);SLM(abstract)
Journal ref Proc. ICASSP 2024
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);prompting(abstract)
Comments The 17th ACM International Conference on Web Search and Data Mining (WSDM 2024)
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);prompting(abstract)
Comments EMNLP 2023 - Camera Ready
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);prompting(abstract)
专题命中 领域大模型 :LLM(abstract);large language model(abstract);language model(abstract);prompting(abstract)
RSGPNet:遥感开放词汇语义分割的几何提示
专题命中 领域大模型 :prompting(title,abstract);分类 cs.AI;large language model(comments);language model(comments)
AI总结 提出RSGPNet,一种无需训练的几何提示框架,通过对象几何区域和一致性约束改进遥感开放词汇语义分割,在多个数据集上超越现有方法。
Comments Open-vocabulary, Remote sensing, Geometric prompting, Multimodal large language model
专题命中 领域大模型 :LLM(abstract,comments);large language model(abstract);language model(abstract);instruction tuning(abstract)
Comments LLM, CPT, knowledge learning, format alignment; work in progress
增强视觉-语言能力的半监督医学图像分割基础模型
机构 * ECE, Northwestern University(电气工程与计算机科学系,西北大学) ; Stats, Northwestern University(统计学系,西北大学) ; Radiology, Northwestern University(放射学系,西北大学)
专题命中 领域大模型 :foundation model(title,abstract);language model(abstract)
AI总结 本文提出VESSA模型,通过增强视觉-语言能力的半监督方法提升医学图像分割精度,实验表明其在有限标注条件下表现优于现有方法。
通过大语言模型驱动的授课视频筛选缓解计算机教育中的人工智能风险
专题命中 领域大模型 :LLM(title);large language model(abstract);language model(abstract)
AI总结 本研究测试了LLMs检索授课视频片段回答编程问题的有效性,对比三种模型与人类讲师,发现专有模型表现接近专家,试点部署获学生良好反馈,为安全整合LLMs到计算机课程提供了可行方案。
Comments 7 pages, 3 tables, 1 figure
受损多模态语言模型再现失语症患者的图片命名模式
专题命中 领域大模型 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
AI总结 研究未针对临床模拟设计的通用语言模型能否再现失语症患者图片命名错误模式,通过对多模态语言模型进行扰动配置,建立定量框架再现个体失语症错误模式,表明语言模型或可成为中风后失语症患者数字替身。
Comments 15 pages, 8 figures; supplementary materials (18 pages, 6 sections) included
具有遗忘抵抗性和病变意识的源无关域自适应视网膜图像分析与视觉-语言模型
机构 * The Hong Kong University of Science(香港科学与技术大学)
专题命中 领域大模型 :language model(title,abstract);foundation model(abstract)
AI总结 本文提出FRLA方法,通过保留目标模型的自信预测和利用ViL模型的细粒度知识,提升视网膜图像诊断的源无关域自适应性能。
Comments Some experimental results in Section 3 are based on comparisons that may not be entirely fair
用B数学语言验证ETCS数据:工业流水线与大语言模型集成蓝图
专题命中 领域大模型 :LLM(title);large language model(abstract);language model(abstract)
AI总结 本文报告CLEARSY公司ValidAItion项目进展,将ERTMS操作模拟器与CLEARSY数据求解器桥接,用B语言验证ETCS数据,Claude生成规则库,工具链与人工审核裁决,形式化规则为事实来源,大模型为受管控助手。
Comments Submitted and accepted to DisCoRail @ISOLA 2026
自我监督比临床监督更能推动医学基础模型中的表征趋同
机构 * RWTH Aachen University(亚琛工业大学) ; University Hospital RWTH Aachen(亚琛工业大学附属医院) ; Technical University of Munich(慕尼黑工业大学) ; Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学) ; Technical University Dresden(德累斯顿工业大学) ; University Hospital Dresden(德累斯顿大学附属医院) ; University Hospital Heidelberg(海德堡大学附属医院)
专题命中 领域大模型 :foundation model(title);pretraining(abstract);分类 cs.CL、cs.AI、cs.LG
AI总结 研究探讨医学基础模型中表征趋同问题,通过对多个编码器剖析发现自我监督比临床监督更能驱动收敛,虽收敛有限但线性分类器可跨编码器转移,表明医学成像收敛由预训练目标决定,为互操作性设计与验证提供依据。
利用人工智能进行研究需要具备什么?对培养精通大语言模型的研究人员所需能力的快速回顾
专题命中 领域大模型 :LLM(title);large language model(abstract);language model(abstract)
AI总结 研究探讨科研中使用大语言模型时研究人员所需能力,通过分析相关文章确定八项能力,指出领域专业知识是关键,培养人员使用大语言模型需综合多方面能力,结果对研究生项目和人工智能素养计划设计有指导意义。
幻觉检测器:一种用于在AtomGPT.org上检测科学文献中幻觉的混合大语言模型和语义学者工具调用
专题命中 领域大模型 :LLM(title);large language model(abstract);language model(abstract)
AI总结 研究针对大语言模型用于科学写作时出现的虚构参考文献问题,提出结合大语言模型字段提取与语义学者结构化检索的AtomGPT参考文献检查器,经基准测试能可靠标记多数幻觉引用,保障文献引用可信度。
在公共卫生应用中评估特定领域提示扰动下的大语言模型稳健性
专题命中 领域大模型 :LLM(title);large language model(abstract);language model(abstract)
AI总结 研究公共卫生应用中LLMs对特定领域提示扰动的稳健性,提出特定领域稳健性基准,通过错误信息框架和外行重写两种扰动类型评估,揭示两种部署风险,强调需超越干净基线基准进行扰动感知稳健性评估。
VisCoP:用于视觉语言模型视频域适应的视觉探测
机构 * University of North Carolina at Charlotte(北卡罗来纳州立大学查塔努加分校) ; Elorian AI(Elorian人工智能公司)
专题命中 领域大模型 :language model(title,abstract);pretraining(abstract)
AI总结 研究针对视觉语言模型在新领域性能下降问题,提出参数高效的VisCoP框架,通过可学习视觉探测器增强视觉编码器,在多种适应设置下评估,该框架优于现有策略,能有效适应新领域且保留源域能力。
Comments ECCV 2026