GraphAide: 다양한 출처의 지식 그래프를 활용한 질의 및 추론 시스템
GraphAide는 여러 출처에서 지식 그래프를 구축하고, 이를 활용하여 사용자 질의에 대한 답변을 생성하는 검색 증강 생성 기반 시스템으로, 정확성과 설명 가능성을 향상시키기 위해 벡터 기반 검색과 그래프 기반 하위 그래프 매칭을 결합한 시스템입니다.
英文和西班牙文中開放式情感狀態識別：MASIVE
本文提出了一種新的情感分析方法，即情感狀態識別 (ASI)，並創建了一個名為 MASIVE 的新基準數據集來評估模型在識別多種情感狀態方面的表現，結果顯示，針對 ASI 任務，小型微調模型優於大型語言模型，且基於母語語料的訓練和評估至關重要。
영어와 스페인어에서의 개방형 감정 상태 식별: MASIVE 데이터셋 및 언어 모델 벤치마킹
본 논문에서는 인간의 다양한 감정 표현을 포착하기 위해 '감정 상태 식별(ASI)'이라는 새로운 과제를 제시하고, 이를 위한 대규모 데이터셋인 MASIVE를 구축하여 다국어 언어 모델의 성능을 벤치마킹했습니다.
英語とスペイン語におけるオープンエンドな感情状態の識別：MASIVE
従来の感情分析における限定的な感情ラベルセットの限界に対処するため、本稿では、人間の感情表現の多様性を捉えることを目的とした、オープンエンドな感情状態識別（ASI）という新しいタスクを提案する。
MASIVE: A New Benchmark Dataset and Approach for Identifying Open-Ended Affective States in Text (English and Spanish)
This research paper introduces a novel task called Affective State Identification (ASI) for identifying a wide range of emotions and moods in text, moving beyond limited emotion categories. It presents a new benchmark dataset, MASIVE, collected from Reddit, containing over 1,000 unique affective state labels in English and Spanish. The authors demonstrate that fine-tuned smaller language models outperform larger language models on ASI tasks and that training on MASIVE improves performance on traditional emotion detection benchmarks. The paper highlights the importance of native-language data for accurate affective state identification and suggests future research directions for this new field.
Joint Speech and Text Training for Decoder-Only ASR Using a CTC Compressor: An Analysis of CJST
CJST, a novel framework for decoder-only automatic speech recognition (ASR), leverages a CTC compressor to effectively integrate speech and text data during training, leading to improved performance in both in-domain and cross-domain scenarios.
프롬프트 기반 대형 언어 모델(LLM)을 활용한 암호화폐 게시글의 스마트 질의응답 및 분류: CryptoLLM
본 논문은 대형 언어 모델(LLM)의 힘을 활용하여 암호화폐 관련 소셜 미디어 게시글을 분류하고 질문에 대한 관련 답변을 찾는 CryptoLLM이라는 새로운 접근 방식을 제시합니다.
冗長不等於準確：揭秘大型語言模型的冗長補償行為
大型語言模型經常表現出「冗長補償」行為，即產生過於冗長的回應，試圖掩蓋其不確定性，但這會損害效能並造成混淆。
대규모 언어 모델의 장황함 보상 행동 심층 분석: 장황함이 진실성을 의미하지 않는 이유
대규모 언어 모델(LLM)은 불확실성에 직면할 때 인간과 유사하게 장황한 응답을 생성하는 경향이 있으며, 이는 모델의 성능 저하와 높은 불확실성으로 이어진다.
從 ACL 研討會論文集的倫理聲明語料庫看自然語言處理中的倫理問題識別
自然語言處理（NLP）領域的研究人員和一般大眾對於倫理問題的關注點有所不同，研究人員應重視並設法彌合這些差距，以促進更符合倫理的 NLP 技術發展。
© 2024 by Linnk AI