Die Studie untersucht, warum LLMs bei der Argumentation über linearisiertes strukturiertes Wissen halluzinieren. Sie zeigt, dass Halluzinationen auf systematische interne Dynamiken zurückzuführen sind, wie die Konzentration der Aufmerksamkeit auf Shortcut-Hinweise und das Versagen von Feed-Forward-Schichten, das bereitgestellte Wissen zu verankern.
Dieser Artikel argumentiert, dass die Reduzierung von Meinungsverschiedenheiten in Multi-Agenten-Systemen für wertebehaftete Aufgaben unzureichend ist, und schlägt eine Wissensrepräsentationsschicht vor. Diese Schicht abstrahiert Argumentationsspuren und Agentenentscheidungen in symbolische Meinungsverschiedenheitszustände, wobei vier Typen unterschieden werden, mit Anwendung in der Inhaltsmoderation.
Diese Arbeit analysiert eine Methode zur Faktorisierung formaler Kontexte in unabhängige Subkontexte unter Verwendung von Notwendigkeitsoperatoren aus der Möglichkeitstheorie. Sie untersucht die Eigenschaften dieser Faktorisierungen und erweitert die Methode auf unscharfe Kontexte, was die Berechnung unabhängiger Subkontexte in unscharfen Daten ermöglicht.
Diese Arbeit untersucht die Größenkomplexität und Entscheidbarkeit der Erstordnungs-Progression, einer Methode zur Aktualisierung von Wissensbasen in der KI. Sie zeigt, dass für spezifische Aktionsklassen innerhalb des Situationskalküls die Erstordnungs-Progression polynomisch wächst und die Entscheidbarkeit beim Verwenden bestimmter Wissensbasisfragmente beibehält.
Dieser Artikel erklärt, warum allgemeine KI wie ChatGPT bei der Beantwortung islamischer Fragen versagt, da sie mit ungefilterten Internetdaten trainiert wird und keine überprüften Quellen wie den Koran oder Hadith zitieren kann. Sie erzeugt statistisch wahrscheinliche, aber nicht überprüfbare Antworten, was für eine Religion, in der die Quelle des Wissens ebenso entscheidend ist wie das Wissen selbst, problematisch ist.
Eine neue automatisierte Pipeline, SkillX, verbessert die Leistung autonomer Sprachmodellagenten, indem sie wiederverwendbare, hierarchische Verhaltensweisen aus kollektiven Trajektorien extrahiert. Diese dreistufige Wissensbasis (strategische, funktionale, atomare Fähigkeiten) ermöglicht es schwächeren Modellen, Erfahrungen effizient abzurufen und so die Einschränkungen traditioneller Methoden zu überwinden.
Dieser praktische Leitfaden untersucht Ontologie in der Informatik und KI und beschreibt sie als wesentlichen Rahmen für die Wissensorganisation. Sie ermöglicht es Maschinen, Beziehungen zu interpretieren und genauere Entscheidungen zu treffen, was für semantische Systeme und KI-Anwendungen der nächsten Generation entscheidend ist. Führende Unternehmen wie Salesforce betonen ihre Bedeutung für Personalisierung und Entscheidungsintelligenz.
KARITA (Knowledge-driven Augmentation and Retrieval for Integrative Temporal Adaptation) ist ein System, das entwickelt wurde, um die Herausforderungen zeitlicher Verschiebungen in KI-Modellen zu bewältigen, die auf historischen Daten trainiert und auf zukünftigen Daten eingesetzt werden. Es integriert wissensgestützte Augmentierung und Retrieval, um vielfältige Verschiebungen zu erfassen und Erkenntnisse für eine verbesserte temporale Anpassung in verschiedenen Domänen zu nutzen.
Dieses Papier enthüllt das weit verbreitete Phänomen der „Werkzeugübernutzung“ bei LLMs, bei dem Modelle externe Werkzeuge unnötig einsetzen. Es identifiziert eine „epistemische Wissensillusion“ und schlägt eine auf direkter Präferenzoptimierung basierende Strategie vor, die den Werkzeuggebrauch um 82,8 % reduziert und die Genauigkeit verbessert.