23941 पेपर
यह शोध पत्र एक नवीन फजी कनवल्शनल न्यूरल नेटवर्क (FCNN) ढांचे का प्रस्ताव करता है जो जटिल शोर वाले डेटासेट पर पारंपरिक मशीन लर्निंग एल्गोरिदम की तुलना में प्रतिस्पर्धी या बेहतर प्रदर्शन प्रदर्शित करते हुए, वर्गीकरण के लिए डीप लर्निंग का प्रभावी ढंग से लाभ उठाने हेतु सारणीबद्ध डेटा को फजी मेंबरशिप-आधारित छवियों में परिवर्तित करता है।
यह शोध पत्र दो न्यूरल नेटवर्क-आधारित दृष्टिकोणों, रिस्ट्रिक्टेड फीचर बेस्ड न्यूरल नेटवर्क और मिक्स्ड स्टेट्स न्यूरल नेटवर्क को प्रस्तुत करता है, जो शुद्ध और मिश्रित क्वांटम अवस्थाओं के पुनर्निर्माण में अत्याधुनिक प्रदर्शन प्राप्त करने के लिए क्लास सूचना का लाभ उठाते हैं।
यह शोध पत्र नैतिक एआई निर्णय सहायता प्रणालियों के लिए एक नवीन ढांचे के रूप में 'एपिस्टेमिक क्वासी-पार्टनरशिप्स के सिद्धांत' का प्रस्ताव करता है, यह तर्क देते हुए कि यह मानव-आधारित स्पष्टीकरणों—जिसमें कारण, प्रतितथ्यात्मक और विश्वास (RCC दृष्टिकोण) शामिल हैं—को प्राथमिकता देकर अनुभवजन्य साक्ष्य की प्रभावी ढंग से व्याख्या करता है और विकास का मार्गदर्शन करता है।
यह शोध पत्र कई टेक्स्ट वर्गीकरण कार्यों में इंस्ट्रक्शन-ट्यून्ड एलएलएम (LLM) से प्राप्त एक्सट्रैक्टिव सेल्फ-एक्सप्लेनेशन (extractive self-explanations) की मानव तर्कसंगतताओं (human rationales) के साथ व्यवस्थित रूप से तुलना करता है, और यह पाता है कि हालांकि दोनों के बीच संरेखण पाठ की लंबाई और कार्य की जटिलता पर निर्भर करता है, फिर भी सेल्फ-एक्सप्लेनेशन्स टोकन-स्तरीय अंतर्दृष्टि प्रदान करते हैं जो पोस्ट-हॉक एट्रिब्यूशन विधियों (post-hoc attribution methods) के संरचनात्मक फोकस से मौलिक रूप से भिन्न हैं।
यह अध्ययन प्रदर्शित करता है कि जबकि DECAF सिंथेटिक डेटा जनरेटर कम उपयोगिता के बावजूद गोपनीयता और निष्पक्षता के बीच सबसे अच्छा संतुलन प्रदान करता है, सिंथेटिक डेटा पर प्री-प्रोसेसिंग निष्पक्षता एल्गोरिदम लागू करने से वास्तविक डेटा पर उनके अनुप्रयोग की तुलना में बेहतर निष्पक्षता सुधार प्राप्त होते हैं, जो नैतिक शिक्षण विश्लेषण के लिए एक आशाजनक हाइब्रिड दृष्टिकोण का सुझाव देता है।
यह शोध पत्र टास्क-अवेयर वर्चुअल ट्रेनिंग (TAVT) का प्रस्ताव करता है, जो एक नवीन मेटा-रीइन्फोर्समेंट लर्निंग एल्गोरिदम है जो आउट-ऑफ-डिस्ट्रीब्यूशन कार्यों में सामान्यीकरण को महत्वपूर्ण रूप से बढ़ाने के लिए मेट्रिक-आधारित रिप्रजेंटेशन लर्निंग और स्टेट रेगुलराइजेशन का उपयोग करता है।
यह शोध पत्र एक नेटवर्क से प्रतिनिधि नोड्स चुनने के लिए दो दृष्टिकोणों का प्रस्ताव और सैद्धांतिक विश्लेषण करता है जो एक साथ सबसे प्रभावशाली नोड्स की पहचान करते हैं और यह सुनिश्चित करते हैं कि चयन नेटवर्क की विविधता को आनुपातिक रूप से दर्शाता है, जिसकी प्रभावशीलता को प्रयोगों के माध्यम से प्रमाणित किया गया है।
यह शोध पत्र यह प्रदर्शित करता है कि प्रीट्रेनिंग डेटा बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) में लॉस-टू-लॉस स्केलिंग लॉज़ का प्राथमिक निर्धारक है, जबकि मॉडल का आकार, आर्किटेक्चर और हाइपरपैरामीटर्स का न्यूनतम प्रभाव पड़ता है, जो यह सुझाव देता है कि डाउनस्ट्रीम प्रदर्शन को अनुकूलित करने के लिए आर्किटेक्चरल विकल्पों की तुलना में डेटा क्यूरेशन अधिक महत्वपूर्ण है।
यह शोध पत्र अर्ली नॉइज़ ड्रॉपिंग (END) को प्रस्तुत करता है, जो एक फाइन-ट्यूनिंग-मुक्त विधि है जो संदर्भ-गहन कार्यों के प्रदर्शन और दक्षता दोनों में सुधार करने के लिए, शोर वाले इनपुट चंक्स की पहचान करने और उन्हें हटाने के लिए LLM की शुरुआती परतों पर लीनियर प्रोब्स का लाभ उठाती है।
यह अध्ययन कोडेफोर्स (Codeforces) प्रोग्रामिंग कार्यों पर ChatGPT 03-mini और DeepSeek-R1 की तुलना करता है, जो यह प्रकट करता है कि जबकि दोनों मॉडल आसान समस्याओं पर समान प्रदर्शन करते हैं और कठिन समस्याओं पर संघर्ष करते हैं, ChatGPT मध्यम-कठिनाई वाली चुनौतियों पर DeepSeek-R1 की तुलना में काफी बेहतर प्रदर्शन करता है।