Volodymyr Bezkorovainyi
PulseAugur coverage of Volodymyr Bezkorovainyi — every cluster mentioning Volodymyr Bezkorovainyi across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI模型Ru-Jev通过标签增强在不熟悉词汇上表现提升
一篇新发表在arXiv上的研究详细介绍了多语言交叉编码器模型Ru-Jev的性能,该模型通过标签措辞增强进行了改进。这种增强通过呈现标签的多种表面形式,提高了模型在处理源自英语术语和办公室俚语的不熟悉词汇时的准确性。然而,这种增强并未在缩略语或不透明代码上带来显著收益,在某些情况下,模型在缩略语上的性能甚至略有下降。
-
新引擎和基准改进了用于大语言模型的文档假名化
一篇新研究论文介绍了一个开放的基准和引擎,用于对发送至外部大语言模型的文档进行可逆假名化。该基准在俄语和英国英语数据集上评估了五个现有工具和一个新引擎,测试它们用占位符替换个人数据并在响应中准确恢复数据的能力。虽然现有工具未能达到标识符和泄露检测的预定阈值,但新引擎的准确率显著提高,几乎没有可见数据泄露,并在英国英语中恢复了超过99%的占位符,尽管由于屈折变化,它在俄语姓名恢复方面遇到了一些挑战。
-
AI系统自动分类公民申诉
研究人员开发了一个AI Appeals Processor,旨在自动化政府服务中公民申诉的分类和路由。该深度学习模型利用多语言BERT,在俄语数据集上达到了82%的准确率,显著优于人工操作员。尽管该系统在人工监督下部署,但将端到端处理时间缩短了50%以上,大多数剩余错误归因于申诉分类本身,而非模型性能。
-
齐奥尔科夫斯基论文的新目录和HTR准确性测量方法
研究人员为康斯坦丁·齐奥尔科夫斯基的个人档案开发了一个可机读目录,包含2,019份文件和超过51,000张扫描件。该目录包括大部分文件的日期以及每张扫描件是手写体还是打印体的分类。此外,该论文还介绍了一种在缺乏真实情况的档案环境中评估手写文本识别(HTR)准确性的新方法,通过比较文件的手稿版本和打印版本。
-
评估本地部署大语言模型在BIRD基准上的Text-to-SQL能力
一篇新论文使用BIRD基准评估了本地部署的、开源权重的大语言模型(LLMs)在Text-to-SQL任务上的性能。研究发现,较新的模型一代,如Qwen2.5-Coder和Llama-3.x,在同等规模下显著优于CodeLlama-Instruct等旧模型。诸如自我纠错等关键技术在不同模型家族中均显示出持续的优势,而模式链接(schema linking)未带来可衡量的改进,自洽性(self-consistency)因计算成本高而价值不高。
-
机器学习流水线将嘈杂的零售产品名称映射到价格类别
一篇新的研究论文提出了一种机器学习流水线,用于将零售产品名称分类到消费者价格类别中。该方法包括文本规范化、使用关键短语的基于规则的分类器以及二元确认模型。它还包含一个具有可靠性加权的人工干预标签协议,用于持续微调。