跳到主要内容
检索

Northeastern University

5 篇关联报道

订阅更新
  1. arXiv

    网页搜索智能体评测不再只看答案:保留真实轨迹,把错误节点连回答错的答案组

    长程网页搜索智能体的评测此前多依赖模拟轨迹,或从最终答案反推轨迹,难以检查搜索过程本身。LongSearchEval 让 16 个模型在统一的智能体控制器和五个受限网页工具下真实执行 100 个任务,保留 1600 条轨迹,先用智能体自己引用的网页核验答案组,再把被标记的失败节点连回判错的答案组。人工复核中,946 个答案组的自动判定与人工一致率为 94.50%,抽样的 317 条轮次—答案组链接有 311 条通过特征对应核查。

  2. arXiv

    ProsaBuddy 用 LLM 智能体自动证明实时可调度性引理,在小型基准上显著优于现有 Rocq 证明智能体与通用编码智能体 OpenCode

    该工作提出 ProsaBuddy,一个基于 LLM 的智能体系统,采用带 Prosa 代码库检索的 ReAct 循环、Rocq 工具访问与可选人工提示,并通过子目标委派架构把引理拆分为子目标分派给子智能体证明,在取自实时调度文献的小型基准上显著优于现有基于 LLM 的 Rocq 自动证明智能体系统与通用编码智能体 OpenCode。

  3. arXiv

    BrainSTR 用时空对比学习建模动态脑网络,在 ASD、BD、MDD 上验证并给出与既往神经影像发现一致的关键相位与子网络

    该工作提出 BrainSTR 时空对比学习框架,通过数据驱动的自适应相位划分学习状态一致的相位边界、用注意力识别诊断关键相位、并用经二值化、时间平滑与稀疏正则化的增量图结构生成器提取各相位内疾病相关连接,再以时空监督对比学习利用诊断相关的时空模式细化样本相似度度量,从而构建结构良好的语义空间;在 ASD、BD、MDD 上的实验验证了其有效性,所发现的关键相位与子网络提供了与既往神经影像发现一致的可解释证据。

  4. arXiv

    BrainHO 用可学习子图取代固定脑图谱,在 ABIDE 上以仅 PCC 输入取得 69.68% 准确率并定位跨网络疾病子网

    该工作提出脑层级组织学习框架 BrainHO,用可学习的子图 token 与图 token 通过层级注意力按节点特征亲和度自底向上聚合脑区,并配合子图正交约束与层级一致性约束,在 ABIDE(N=1009,516 例 ASD/493 例健康对照)与 REST-meta-MDD(N=2380,1276 例 MDD/1104 例健康对照)上仅使用静态 PCC 连接矩阵即取得最高准确率(69.68% 与 64.71%)与最高敏感度(73.11% 与 67.43%),同时可视化出与 SMN、DAN 等预定义网络部分重合、又跨越多个预定义网络的疾病相关子网。

  5. arXiv

    KD-Brain 用语义先验与临床一致性约束引导子网络交互建模,在 ASD、BD、MDD 诊断上超过 12 个基线并给出可解释功能通路

    该工作提出 KD-Brain,一个先验知识引导的图学习框架,通过将疾病特异的语义先验注入注意力 Query(Semantic-Conditioned Interaction)并用基于 KL 散度的 Pathology-Consistent Constraint 对齐学习到的子网络交互分布与临床先验,在 ABIDE(NYU)ASD 任务和单中心 BD、MDD 任务上取得优于 12 个基线的表现,并输出与精神病病理生理学一致的功能通路与关键脑区。

已读完全部报道