Stair
PulseAugur coverage of Stair — every cluster mentioning Stair across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的STAIR方法提高了LLM在顺序问题解决中的记忆能力
研究人员开发了一种名为STAIR（Stale-Token Attention for Inter-query Reuse）的新方法，以改进大型语言模型（LLM）在同一对话中利用先前问题信息的方式。初步实验表明，保留的历史信息即使在同一领域内，也可能有助于或阻碍性能。STAIR通过将早期响应生成中的键和值捕获到一个固定库中，并在提示处理过程中学习将当前查询重定向到该库。这种方法仅训练12,288个参数，同时保持基础模型冻结，在三个Qwe…
-
STAIR系统利用文档结构增强LLM检索
研究人员推出STAIR，一个旨在增强大型语言模型（LLM）信息检索能力的新颖检索系统。STAIR利用文档的全局结构（如目录）来改进信息存储和检索，解决了LLM中常见的“中间遗忘”问题。该系统在新发布的SearchTome基准测试中取得了82.6%的Recall@1高分，显著优于BM25和DPR等基线。
-
新框架增强时序知识图谱问答 · 跟踪到2个来源
两篇新的研究论文介绍了用于时序知识图谱问答（TKGQA）的新颖框架。SABET-QA 利用多跳推理方法，结合双向实体-时序评分机制和槽感知情境化模块，以提高对复杂、多步查询的准确性。STAIR 将语义解释与时序推理分开，采用 LLM 适配器进行意图映射，并使用确定性自动机进行精确推理，从而提高了在各种时序问答数据集上的可解释性和性能。
-
新的STAIR训练方法提升了简单模型在时间序列预测中的性能
研究人员推出了一种新颖的训练范式STAIR，旨在增强简单模型在长期时间序列预测中的性能。该方法将预测过程分解为三个阶段：学习共享的时间动态、适应变量特定模式以及通过残差学习整合跨变量信息。在九个基准上的实验表明，STAIR在保持简单时间骨架的同时，能够媲美或超越现有的强基线，为复杂预测任务提供了一种有效的方法。