Zobrazeno 1 - 10
of 160
pro vyhledávání: '"Herrmann, Daniel A."'
As large language models (LLMs) continue to demonstrate remarkable abilities across various domains, computer scientists are developing methods to understand their cognitive processes, particularly concerning how (and if) LLMs internally represent th
Externí odkaz:
http://arxiv.org/abs/2405.21030
Autor:
Levinstein, B. A., Herrmann, Daniel A.
We consider the questions of whether or not large language models (LLMs) have beliefs, and, if they do, how we might measure them. First, we evaluate two existing approaches, one due to Azaria and Mitchell (2023) and the other to Burns et al. (2022).
Externí odkaz:
http://arxiv.org/abs/2307.00175
Autor:
Düsing, Christoph, Cimiano, Philipp, Rehberg, Sebastian, Scherer, Christiane, Kaup, Olaf, Köster, Christiane, Hellmich, Stefan, Herrmann, Daniel, Meier, Kirsten Laura, Claßen, Simon, Borgstedt, Rainer
Publikováno v:
In Artificial Intelligence In Medicine November 2024 157
We introduce a novel framework, the theory of Cartesian frames (CF), that gives powerful tools for manipulating sets of acts. The CF framework takes as its most fundamental building block that an agent can freely choose from a set of available action
Externí odkaz:
http://arxiv.org/abs/2109.10996
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Minds & Machines; Mar2025, Vol. 35 Issue 1, p1-25, 25p
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
We investigate the online exploration problem (aka covering) of a short-sighted mobile robot moving in an unknown cellular environment with hexagons and triangles as types of cells. To explore a cell, the robot must enter it. Once inside, the robot k
Externí odkaz:
http://arxiv.org/abs/1012.5253
Autor:
Herrmann, Daniel F., author
Publikováno v:
Framing Borders in Literature and Other Media. :139-158
Autor:
Janzing, Dominik, Herrmann, Daniel
To learn (statistical) dependencies among random variables requires exponentially large sample size in the number of observed random variables if any arbitrary joint probability distribution can occur. We consider the case that sparse data strongly s
Externí odkaz:
http://arxiv.org/abs/cs/0309015