Компьютерная наука > Искусственное Разведка [представлена 16 сентября 2026 года] Заголовок: Произведение через эволюцию: Автоматическое обнаружение метапатов для Fake News View PDF HTML (экспериментальное) резюме. Хотя крупные языковые модели (LMS) обладают мощными умениями рассуждать, прямое их подпитывание необработанных графиков распространения создает значительное несоответствие моделей и сильную нагрузку на информацию, что делает рассуждения с пониманием структуры ненадежными в нулевых и маловыраженных параметрах. Для преодоления этого пробела мы предлагаем MAGER, многоагентную систему генетической эволюции, которая автоматически открывает метапаты, оптимизированные для рассуждения LLM. Скомпрессируя сложные графики распространения в информативные субграфы, эволюционирующие метапаты смягчают как перегрузку информации, так и несоответствие способам работы, что позволяет замороженным МЛМ проводить аргументацию достоверности, которая хорошо известна структуре. Далее мы введем стратегию графического обучения, которая позволяет получить семантически и структурно схожие демонстрации для укрепления классификации и рассуждений. Широкие эксперименты показывают, что MAGER значительно улучшает замороженные МЛМ в качестве отдельных подделочных детекторов новостей в параметрах эффективности данных. Наш код доступен на этом https URL. Загрузка ссылок и цитат... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы (что такое…
Рассказ через Эволюцию: Автоматическая мета-патиция Discovery для обнаружения фальшивых новостей на основе LLM
arXiv: 2609.18597v1 Annualce Type: cross Brieft: Propagation Structures to fail eviction information, однако существующие подходы в основном основаны на контролируемых моделях GNN, которые требуют наличия существенных помеченных данных и ограниченной обобщения. Хотя крупные языковые модели (LMS) обладают мощными умениями рассуждать, прямое их подпитывание необработанных графиков распространения создает значительное несоответствие моделей и сильную нагрузку на информацию, что делает рассуждения с пониманием структуры ненадежными в нулевых и маловыраженных параметрах. Для преодоления этого пробела мы предлагаем MAGER, многоагентную систему генетической эволюции, которая автоматически открывает метапаты, оптимизированные для рассуждения LLM. Скомпрессируя сложные графики распространения в информативные субграфы, эволюционирующие метапаты смягчают как перегрузку информации, так и несоответствие способам работы, что позволяет замороженным МЛМ проводить аргументацию достоверности, которая хорошо известна структуре. Далее мы введем графическую стратегию обучения в контексте, которая семантически возвращает