12:28arXiv cs.AI@Sathvik Manikantan Napa Ugandhar, Hao Zhang, Alison Gunzler, Yuzhe Wang, Thomas Thebaud, Georgi Tinchev, Venkatesh Ravichandran, Laureano Moro-Velázquez论文提出DyadEE数据集,包含真实情感协调对话和通过交换伴侣、情感重合成制造的干扰对话。同时提出TRACE框架,将双人交互建模为基于情感微调Whisper声学嵌入的有序序列,将每个样本视为交互痕迹而非池化话语。在DyadEE上实验表明,融入对话上下文和关系信息可提升检测效果,TRACE达到97.01%的准确率。论文TRACEDyadEEWhisper情感识别语音交互推荐理由:想研究语音AI如何感知对话中的情感协调?这篇论文提出了新数据集DyadEE和框架TRACE,准确率高达97%,值得做语音交互的朋友看看。原文
11:19arXiv cs.LG@Alia Tarek, Hamsa Saberr, Hamza Elghonemy, Youssef Afify, Tamer Basha, Omair Shahzad Bhatti, Abdulrahman M. Selim, Hasan Md Tusfiqur Alam Daniel SonntagTRACE是一个概念瓶颈模型,用于对纵向3D MRI进行4分类胶质母细胞瘤反应评估,严格对齐RANO 2.0标准。该模型在LUMIERE数据集上通过5折患者交叉验证,实现了4类macro F1为0.4769,二分类(进展vs非进展)macro F1为0.7085。TRACE先预测肿瘤测量作为根概念,再通过确定性规则计算下游RANO衍生概念,并引入扫描间隔和新病灶信息。消融实验表明专家RANO图和干预一致性训练对性能至关重要,干预实验显示修正概念可提升下游预测。论文TRACELUMIERERANO医学影像概念瓶颈推荐理由:想理解脑肿瘤MRI评估的黑箱?TRACE用概念瓶颈让模型决策透明可验证,在LUMIERE上表现接近非可解释方法,值得看。原文
11:11arXiv cs.AI@Zihao Li, Ranpeng Qiu, Yincong Chen, Guoqiang Ren, Weiming Zhi该论文提出TRACE,一种针对延迟证据视觉运动模仿任务的记忆框架。TRACE使用路径签名(path signatures)作为轨迹条件键,从固定大小潜在记忆中写入和检索早期可见的视觉证据。在真实世界长时操作任务中,TRACE相比短历史基线(1-step history)和循环记忆(GRU)提升了分支选择准确率。实验显示TRACE在视觉模糊分支点任务上的成功率超过基线方法15-30%。论文TRACEpath signaturesdelayed-evidence模仿学习机器人操作推荐理由:用路径签名记住消失的视觉线索原文
11:41arXiv cs.AI@Tej Sanibh Ranade精选72°TRACE 是一种无需训练的推理时幻觉纠正算法,它通过分析大模型内部各层的候选轨迹,动态选择最合适的纠正方式(如标量反转、早期状态恢复或候选空间修正),而不是固定使用单一干预形式。实验覆盖 15 个模型、8 个模型家族和 3 个事实性基准,所有评估指标均有提升,平均 MC1 提高 12.26 点,MC2 提高 8.65 点,最高提升分别达 47.20 和 43.38 点。该方法无需标签、检索、预训练、微调或逐模型校准。论文大模型幻觉纠正推理优化无需训练TRACE推荐理由:TRACE 解决了大模型幻觉纠正中“一刀切”干预的缺陷,做 LLM 推理优化或事实性研究的开发者可以直接在现有模型上试用,无需额外训练成本。原文