arXiv ID:
2603.10400
基于文本证据的服务系统设计 / Designing Service Systems from Textual Evidence
1️⃣ 一句话总结
这篇论文提出了一种新算法,能够利用廉价但有偏见的大语言模型自动评分,结合少量精准但昂贵的人工审核,高效且可靠地找出最佳服务系统配置,从而大幅降低评估成本。
基于文本证据的服务系统设计 / Designing Service Systems from Textual Evidence
这篇论文提出了一种新算法,能够利用廉价但有偏见的大语言模型自动评分,结合少量精准但昂贵的人工审核,高效且可靠地找出最佳服务系统配置,从而大幅降低评估成本。
AnnoABSA:一个基于检索增强建议的、用于方面级情感分析的Web标注工具 / AnnoABSA: A Web-Based Annotation Tool for Aspect-Based Sentiment Analysis with Retrieval-Augmented Suggestions
这篇论文介绍了一个名为AnnoABSA的开源Web工具,它通过结合人工标注和基于大语言模型的检索增强建议,来高效、灵活地支持各种方面级情感分析任务的标注工作。
FlowCorrect:机器人操作中生成流策略的高效交互式修正 / FlowCorrect: Efficient Interactive Correction of Generative Flow Policies for Robotic Manipulation
这篇论文提出了一个名为FlowCorrect的框架,它允许人类在机器人执行任务时,通过少量简单的姿势修正来即时调整其行为策略,从而显著提升机器人在复杂场景下的成功率,而无需重新训练整个模型。
SOM-VQ:面向交互式生成模型的拓扑感知分词方法 / SOM-VQ: Topology-Aware Tokenization for Interactive Generative Models
这篇论文提出了一种名为SOM-VQ的新方法,它将向量量化与自组织映射相结合,为生成模型学习具有明确拓扑结构的离散编码,使得用户能够通过直观地操作编码空间中的距离来控制和引导生成过程,特别适用于需要人机交互的领域,如人体运动生成。
人机协作的智能体AI用于多模态临床预测:来自AgentDS医疗基准测试的经验 / Human-Guided Agentic AI for Multimodal Clinical Prediction: Lessons from the AgentDS Healthcare Benchmark
这篇论文通过一项医疗AI基准测试发现,在临床预测任务的关键环节引入人类专家的指导,尤其是在多模态数据处理和模型选择方面,能显著提升AI系统的性能,其效果优于完全自动化的方法。
面向语义通信的延迟感知人在环路强化学习 / Latency-aware Human-in-the-Loop Reinforcement Learning for Semantic Communications
这篇论文提出了一个结合人类反馈和延迟控制的强化学习框架,用于在保证严格时间要求的前提下,优化语义通信系统的传输质量和资源使用效率。
RUVA:个性化的透明设备端图推理 / RUVA: Personalized Transparent On-Device Graph Reasoning
这篇论文提出了一个名为RUVA的‘透明盒子’人工智能架构,它用个人知识图谱替代传统的向量数据库,让用户能够查看和精确编辑AI的记忆,从而解决现有AI系统在隐私保护和错误追溯上的‘黑箱’问题。
视角:话语分析工具套件中的交互式文档聚类工具 / Perspectives - Interactive Document Clustering in the Discourse Analysis Tool Suite
这篇论文介绍了一个名为‘视角’的交互式工具,它通过让数字人文学者参与聚类过程,帮助他们灵活地探索和整理海量、无结构的文档集,从而发现主题、情感等模式,为后续深度分析做好准备。
无交互逆强化学习:一种面向持久对齐的数据中心框架 / Interactionless Inverse Reinforcement Learning: A Data-Centric Framework for Durable Alignment
这篇论文提出了一种名为‘无交互逆强化学习’的新方法,将AI安全目标与具体策略解耦,通过构建一个可检查、可编辑的通用奖励模型,并结合人工参与的迭代优化循环,将AI对齐从一次性的消耗转变为可持久验证的工程资产。
IPBC:一种基于交互式投影的人机协同半监督高维数据聚类框架 / IPBC: An Interactive Projection-Based Framework for Human-in-the-Loop Semi-Supervised Clustering of High-Dimensional Data
这篇论文提出了一种名为IPBC的交互式框架,通过让用户在二维投影图上调整视角和添加简单约束(如必须关联或不能关联),来引导机器学习模型优化数据布局,从而将高维数据的聚类过程转变为人机协作的探索任务,最终在少量人工干预下显著提升聚类效果并生成可解释的结果。
请先 登录 后再提交论文