Wearable As Graph: Recupero di Contesto Adattivo alle Query per LLM su Dati Personali
Un nuovo framework chiamato Wearable As Graph (WAG) è stato introdotto dai ricercatori per migliorare le capacità di ragionamento dei grandi modelli linguistici (LLM) recuperando un contesto che si adatta alle query a partire da dati di sensori indossabili estesi, multimodali e altamente personalizzati. WAG struttura le metriche indossabili e i segnali individuali in un grafo di conoscenza personalizzato, consentendo l'estrazione di un sottografo condizionato alle query. Questo processo di recupero combina relazioni globali attraverso la modellazione bayesiana gerarchica (catturando sia pattern di popolazione che individuali) con relazioni locali che riflettono variazioni di segnale a breve termine. Un segnale che indica l'apertura della query regola l'estensione del recupero. Questo metodo affronta il problema critico della selezione del contesto, bilanciando la necessità di un contesto sufficiente con i rischi di inefficienza e di qualità di generazione compromessa. L'articolo è disponibile su arXiv (2605.18763).
Fatti principali
- 1. WAG sta per Wearable As Graph.
- 2. Il framework è progettato per il ragionamento degli LLM su dati di sensori indossabili.
- 3. I dati sono a lungo termine, multimodali e altamente personalizzati.
- 4. La selezione del contesto è una sfida chiave affrontata.
- 5. WAG organizza i dati in un grafo di conoscenza personalizzato.
- 6. Il recupero è condizionato alla query e integra relazioni globali e locali.
- 7. Le relazioni globali utilizzano la modellazione bayesiana gerarchica.
- 8. Le relazioni locali riflettono deviazioni di segnale a breve termine.
- 9. Un segnale di apertura della query controlla l'ampiezza del recupero.
- 10. L'articolo è su arXiv con ID 2605.18763.
Entità
Istituzioni
- arXiv