24427 पेपर
CAM-VFD एक नवीन क्रॉस-अटेंशन मल्टीमॉडल फ्रेमवर्क है जो उपस्थिति, गति और गहराई संबंधी विशेषताओं के बीच क्रॉस-मोडल विरोधाभासों को मॉडल करके डीपफेक वीडियो का पता लगाता है, जो बेंचमार्क डेटासेट्स पर विभिन्न व्यवधानों के विरुद्ध अत्याधुनिक सटीकता और मजबूती प्राप्त करता है।
यह शोध पत्र लेटेंट ह्यूरिस्टिक सर्च (Latent Heuristic Search) प्रस्तुत करता है, जो एक फ्रेमवर्क है जो एक सीखे हुए लेटेंट मैनिफोल्ड (latent manifold) के भीतर निरंतर अनुकूलन (continuous optimization) का लाभ उठाता है—एन्कोडर्स, डिफरेंशिएबल सरोगेट्स और नॉर्मलाइजिंग फ्लोज़ का उपयोग करते हुए—ताकि एक फ्रीज़्ड लार्ज लैंग्वेज मॉडल (Large Language Model) को कंडीशन करके कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्याओं के लिए उच्च-प्रदर्शन वाले ह्यूरिस्टिक्स को कुशलतापूर्वक उत्पन्न किया जा सके।
यह अध्ययन आर्टब्रीडर रिमिक्स पार्टियों से मानव-एआई सह-निर्मित छवियों के एक विशाल डेटासेट का विश्लेषण करता है ताकि यह प्रकट किया जा सके कि जबकि नवीन जनक छवियां अधिक जटिल संतान को प्रेरित करती हैं, उपयोगकर्ता विरोधाभासी रूप से सरल, कम नवीन कार्यों को रिमिक्स करना पसंद करते हैं, जिससे सामान्य विषयगत आकर्षणों की ओर एक सामूहिक अभिसरण होता है जहाँ बड़े समूह अधिक नवीनता लेकिन कम जटिलता उत्पन्न करते हैं।
यह शोध पत्र कॉन्ट्रास्टिव कॉन्सेप्टर एक्टिवेशन स्टीयरिंग (COAST) का प्रस्ताव करता है, जो एक हल्का, बिना प्रशिक्षण वाला तरीका है जो कुछ ही उदाहरणों (few-shot examples) से प्राप्त सफलता-महत्वपूर्ण उप-स्थानों (success-critical subspaces) में विजन-लैंग्वेज-एक्शन (VLA) मॉडल के लेटेंट्स को पहचानने और निर्देशित करने के लिए कॉन्सेप्टर्स का उपयोग करता है, जिससे बिना पुन: प्रशिक्षण के विविध आर्किटेक्चरों में कार्य सफलता दर में उल्लेखनीय सुधार होता है।
यह शोध पत्र बाइनरी क्रिस्टल सिस्टम में फॉर्मेशन ऊर्जा की भविष्यवाणी करने के लिए मंटा रे फ़ॉरैजिंग विद लेवी फ़्लाइट (EELM-MRFO-LF) द्वारा अनुकूलित एक इवोल्यूशनरी एक्सट्रीम लर्निंग मशीन का प्रस्ताव करता है, जो प्रशिक्षण प्रक्रिया के दौरान जनसंख्या विविधता को बढ़ाने और स्थानीय इष्टतम (लोकल ऑप्टिमा) से बचने के लिए लेवी फ़्लाइट का उपयोग करता है।
यह शोध पत्र MADP को प्रस्तुत करता है, जो एक मल्टी-एजेंट पाइपलाइन है जो एंटरप्राइज डॉक्यूमेंट प्रोसेसिंग में 97% ऑटोमेशन और 98.5% सटीकता प्राप्त करने के लिए डीप लर्निंग, लार्ज लैंग्वेज मॉडल्स और ह्यूमन-इन-द-लूप वैलिडेशन को जोड़ता है, जिसके परिणामस्वरूप पारंपरिक मैनुअल तरीकों की तुलना में श्रम में 70% की कमी और पर्यावरणीय प्रभाव में 69% की गिरावट आती है।
यह शोध पत्र काउंटरफैक्चुअल-फेथफुल क्वांटाइजेशन (CFQ) प्रस्तुत करता है, जो एक ऐसी विधि है जो बिट आवंटन और क्वांटाइज़र मापदंडों को अनुकूलित करके कम-बिट वाले मॉडलों में एक्शनबल रिकोर्स स्थिरता को संरक्षित करती है ताकि काउंटरफैक्चुअल वैधता और लागत को बनाए रखा जा सके, जो एक महत्वपूर्ण विफलता मोड को संबोधित करता है जहाँ मानक क्वांटाइजेशन भविष्य कहने वाली सटीकता को बनाए रखने के बावजूद रिकोर्स को खराब कर देता है।
यह शोध पत्र यह तर्क देता है कि संपूर्ण एजेंटिक एआई (agentic AI) जीवनचक्र में स्पष्ट, मात्रात्मक और पता लगाने योग्य उत्पत्ति (provenance) स्थापित करना जिम्मेदारी को गणनीय (computable) और कार्रवाई योग्य बनाने के लिए एक आवश्यक पूर्व शर्त है, जिससे जटिल, बहु-पक्षीय एजेंट संरचनाओं में होने वाले नुकसान के लिए जवाबदेही निर्धारित करने में असमर्थता के कारण उत्पन्न वर्तमान विश्वास संकट का समाधान किया जा सके।
OpenJarvis एक विखंडित (decomposed), टाइप किया गया व्यक्तिगत AI आर्किटेक्चर पेश करता है जो क्लाउड-स्तरीय सटीकता के साथ ऑन-डिवाइस सिस्टम को सक्षम बनाने के लिए LLM-निर्देशित स्पेक सर्च का लाभ उठाते हुए पांच स्वतंत्र प्रिमिटिव्स को अनुकूलित करता है, जिससे API लागत और विलंबता (latency) में भारी कमी आती है।
यह शोध पत्र विभिन्न भाषाओं में लार्ज लैंग्वेज मॉडल्स (LLMs) में सुरक्षा क्षरण (safety degradation) को चलाने वाले विशिष्ट कारकों को अलग करने और उनका विश्लेषण करने के लिए एक मल्टी-ग्रुप आइटम रिस्पांस थ्योरी फ्रेमवर्क प्रस्तुत करता है, जो यह प्रकट करता है कि सुरक्षा विफलताएं मुख्य रूप से एकआयामी हैं, अक्सर कम-संसाधन वाली भाषाओं की तुलना में अंग्रेजी में अधिक गंभीर होती हैं, और केवल अनुवाद की गुणवत्ता के बजाय भौतिक हानि और सांस्कृतिक बेमेल से संबंधित प्रॉम्प्ट-विशिष्ट क्रॉस-लिंगुअल अंतराल से महत्वपूर्ण रूप से प्रभावित होती हैं।