recent advances in ai: llm research updates

BVSIMC: Bayesian Variable Selection-Guided Inductive Matrix Completion

BVSIMC (Bayesian Variable Selection-Guided Inductive Matrix Completion) - это новая байесовская модель, разработанная для выбора переменных из дополнительных данных в процессе поиска лекарств. Модель позволяет улучшить точность прогнозов и интерпретируемость результатов, за счёт обучения разреженных скрытых представлений. Метод был проверен в ходе симуляционных исследований и в двух приложениях для поиска лекарств: прогнозирование устойчивости Mycobacterium tuberculosis к лекарствам и прогнозирование новых связей лекарств и болезней в вычислительном репозиционировании лекарств. BVSIMC превзошел другие современные методы как на синтетических, так и на реальных данных. В двух реальных примерах BVSIMC выявил наиболее клинически значимые дополнительные признаки.

Secure Linear Alignment of Large Language Models

Предложена система для безопасного выравнивания больших языковых моделей. Она использует аффинное преобразование над общим публичным набором данных и гомоморфное шифрование для защиты запросов клиентов во время инференса. Система обеспечивает субсекундную задержку инференса при сохранении высокой безопасности. Исследования показали, что линейное выравнивание иногда позволяет генерировать текст между независимо обученными моделями.

A Human-in/on-the-Loop Framework for Accessible Text Generation

Представлен гибридный фреймворк, который интегрирует участие человека в генерации доступного текста на основе LLM. Человек участвует в корректировках во время генерации (Human-in-the-Loop) и в систематическом пост-генерационном контроле (Human-on-the-Loop). Фреймворк включает контрольные списки, триггерные правила на основе событий и ключевые показатели эффективности (KPI) для доступности. Он кодирует механизмы с участием человека для оценки и повторного использования, чтобы обеспечить структурированную обратную связь и улучшить адаптацию модели.

Evaluating LLM-Generated Lessons from the Language Learning Students' Perspective

Проведено исследование, оценивающее уроки, сгенерированные LLM, с точки зрения изучающих язык. Исследование показало, что в приложении Duolingo уроки, сфокусированные на общих сценариях, чаще встречаются, чем уроки, связанные с работой. Общие сценарии помогают учащимся развивать базовую грамматику, словарный запас и культурные знания, а сценарии, связанные с работой, помогают достичь профессионального уровня владения языком. Предложено, чтобы языковые приложения генерировали уроки, которые адаптируются к потребностям конкретного человека, используя как общие, так и специализированные сценарии.

HORNet: Task-Guided Frame Selection for Video Question Answering

Представлена HORNet - политика выбора кадров для ответов на вопросы о видео, обученная с использованием Group Relative Policy Optimization (GRPO). Она позволяет выбирать, какие кадры нужны замороженной модели для правильного ответа. HORNet снижает количество входных кадров до 99% и время обработки видео до 93%, при этом повышая качество ответов. Он формализован как Select Any Frames (SAF), и показано, что GRPO-обученная политика лучше обобщается, чем другие альтернативы. github.com/ostadabbas/HORNet