Yehudit Aperstein
PulseAugur coverage of Yehudit Aperstein — every cluster mentioning Yehudit Aperstein across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
SeaAlert 框架增强了对嘈杂海事遇险呼叫的分析
研究人员开发了 SeaAlert，一个旨在改进海事遇险通信分析的新框架。该系统利用基于 transformer 的严重程度分类和基于 LLM 的信息提取来处理嘈杂和非标准的遇险消息。为了克服标记数据的缺乏，创建了一个合成数据生成管道，生成了各种遇险消息，然后通过 ASR 系统对其进行模拟噪声降级和处理。评估表明，与传统方法相比，SeaAlert 的 transformer 模型对通信中的噪声和变化更具弹性，而其基于 LLM 的提取被证…
-
机器人利用 SwarmCF 在无通信情况下学习任务
研究人员开发了一种名为 SwarmCF 的新型去中心化多机器人任务分配方法，该方法无需通信即可运行。这种方法允许机器人在看不见的任务中，通过队友的部分、嘈杂的结果流来学习以提高其性能。该系统在任务多、尝试次数有限的情况下，比无结构学习器取得了显著的进步，并且能够恢复中心化系统的大部分性能。
-
New Benchmark Framework Simulates Imperfect Students with LLMs
研究人员引入了一个使用大型语言模型模拟不完美学生的创新框架，旨在辅助教师培训。所提出的方法使用显式的技能向量和基于提示的控制来引导 LLM 的行为，从而能够模拟具有特定保留和抑制能力的学生的行为。虽然初步结果证明了在结构化数学环境中诱导和测量选择性部分掌握的可行性，但可控性程度被发现取决于所使用的特定语言模型。
-
新的大语言模型技术和合成基准推动情感分析发展
两篇新的研究论文探讨了使用大语言模型（LLMs）在方面情感分析（ABSA）方面取得的进展。第一篇论文介绍了“多视图提示”（LLM-MvP）技术，该技术结合了模式约束解码和前缀批处理，以实现与微调模型相媲美的性能，同时降低了计算成本。第二篇论文提出了一个面向教育领域方面情感分析的可控合成基准，该基准由 10,000 条合成课程评论生成，旨在解决公开的方面标记学生反馈稀缺的问题。该基准用于评估包括 BERT 和基于 GPT 的 gpt-5…
-
新的IRC-Bench数据集解决了个人回忆中隐式实体的识别问题
研究人员推出了IRC-Bench，这是一个新的基准，旨在评估个人回忆叙事中隐式实体的识别能力。该基准解决了在实体没有被明确提及，而是通过语境线索间接引用时识别人物、地点或事件的挑战。IRC-Bench包含超过25,000个源自个人转录本的样本，对比了实体被明确命名和直接提及被移除的叙事。研究发现，在开放世界设置中，经过QLoRA适配的Llama 3.1 8B模型表现最佳，而在封闭世界检索中，经过微调的DPR模型表现领先。
-
AI研究绘制极端视角下车牌识别极限图
研究人员开发了一种名为可恢复性图谱的新颖方法，用于量化诸如车牌识别等任务的基于AI的图像恢复的极限。该方法系统地测试了各种退化参数，例如极端视角和真实的相机伪影，以确定何时可以可靠地恢复信息。研究发现，感知几何形状，而不是所使用的特定AI架构，主要决定了图像恢复的成功率，其中最好的模型在大约93%的测试条件下恢复了可用数据。