Enhancing Generative AI Reliability via Agentic AI in 6G-Enabled Edge Computing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Generative artificial intelligence (GenAI), particularly large language models (LLMs), has revolutionized various applications by producing coherent and contextually relevant text. However, despite their advancements, LLMs are prone to hallucinations-instances where the AI generates inaccurate or fabricated information. Retrieval-augmented generation (RAG) has emerged as a technique to enhance GenAI by integrating external knowledge sources beyond the model's training data. While RAG improves factual grounding, it alone cannot fully eliminate hallucinations. To address this limitation, agentic workflows that incorporate external tools such as APIs, search engines, and self-reflective mechanisms offer a promising solution. These workflows enable models to iteratively assess and refine their outputs, thereby reducing errors and enhancing factual accuracy. This paper presents a novel framework that combines agentic workflows with RAG within 6G networks to achieve more reliable generative AI by deploying autonomous agents that reflect on outputs and leverage real-time knowledge from external sources to improve response quality and accuracy. We explore the deployment of these workflows in 6G-enabled edge environments, facilitating scalable, real-time knowledge integration and model refinement. Our framework addresses current limitations in RAG-enhanced services by utilizing 6G edge intelligence for data fusion, dynamic knowledge base updates, and customizable AI service delivery. Through a multi-agent system comprising generator and critic agents, we effectively reduce hallucinations via iterative self-criticism, paving the way for more reliable and accurate generative AI services across diverse applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle