24429 पेपर
यह शोधपत्र लेबल लीकेज को रोकने के लिए स्ट्रैटिफाइड आउट-ऑफ-फोल्ड लेबलिंग का उपयोग करके, धीमे, GPU-निर्भर टैबुलर फाउंडेशन मॉडल्स को तेज़, CPU-नेटिव ग्रेडिएंट-बूस्टेड ट्रीज़ में डिस्टिल करने की एक विधि प्रस्तुत करता है, जो धोखाधड़ी का पता लगाने जैसे वास्तविक समय के अनुप्रयोगों के लिए ८६० गुना तक की गति वृद्धि के साथ शिक्षक (टीचर) मॉडल के करीब सटीकता प्राप्त करता है।
यह शोध पत्र KairosHope को प्रस्तुत करता है, जो एक अगली पीढ़ी का टाइम-सीरीज फाउंडेशन मॉडल है, जो कंप्यूटेशनल बाधाओं को दूर करने और सांख्यिकीय ज्ञान को एकीकृत करने के लिए एक ड्यूल-मेमोरी आर्किटेक्चर और एक हाइब्रिड डिसीजन हेड का उपयोग करता है, तथा स्व-पर्यवेक्षित प्री-ट्रेनिंग और कठोर फाइन-ट्यूनिंग के माध्यम से विशिष्ट वर्गीकरण कार्यों में उत्कृष्ट प्रदर्शन प्राप्त करता है।
यह स्थिति पत्र (position paper) तर्क देता है कि LLM एजेंटों का सुरक्षित परिनियोजन संरचनात्मक रूप से एक तीन-स्तरीय, अनुबंध-आधारित संभाव्यता आर्किटेक्चर की मांग करता है ताकि विशिष्ट सुरक्षा आयामों—सिमेंटिक इंटेंट (semantic intent), पर्यावरणीय वैधता (environmental validity), और गतिशील व्यवहार्यता (dynamical feasibility)—को लागू किया जा सके, क्योंकि कोई भी एकल एब्स्ट्रैक्शन लेयर एक साथ इन तीनों की गारंटी नहीं दे सकती है।
यह शोध पत्र एक कुशल समग्र एन्कोडिंग और एक एब्स्ट्रैक्टेड IW(1) दृष्टिकोण प्रस्तुत करता है जो सामान्यीकृत योजना (generalized planning) में स्केलेबिलिटी और अभिव्यक्ति की सीमाओं को दूर करने के लिए रिलेशनल GNNs का लाभ उठाता है, जिससे शास्त्रीय प्लानर LAMA सहित पूर्ववर्ती विधियों को पीछे छोड़ते हुए IPC 2023 बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त होता है।
COOPO एक सामान्यीकृत हाइब्रिड सुदृढीकरण शिक्षण (reinforcement learning) ढांचा है जो वितरण संबंधी बदलाव (distributional shift) और विनाशकारी विस्मृति (catastrophic forgetting) को कम करने के लिए KL-नियमित ऑफलाइन प्रशिक्षण और ऑनलाइन फाइन-ट्यूनिंग के बीच बारी-बारी से कार्य करता है, जिससे यह अत्याधुनिक तरीकों की तुलना में D4RL बेंचमार्क पर बेहतर नमूना दक्षता और प्रदर्शन प्राप्त करता है।
यह शोध पत्र इनपुट गड़बड़ी (input perturbation) और आवश्यकता/पर्याप्तता (necessity/sufficiency) पर आधारित एक्सप्लेनेबल एआई (XAI) विधियों के मूल्यांकन के लिए एक ग्राउंड-ट्रुथ-मुक्त, मात्रात्मक मीट्रिक प्रस्तुत करता है, जिसका उपयोग फिर एक नवीन एडेप्टर मॉड्यूल को प्रशिक्षित करने के लिए किया जाता है जो ब्लैक-बॉक्स मॉडल के प्रदर्शन से समझौता किए बिना उनके लिए बेहतर कारण संबंधी स्पष्टीकरण (causal explanations) उत्पन्न करता है।
यह शोध पत्र Reversa को प्रस्तुत करता है, जो एक मल्टी-एजेंट फ्रेमवर्क है जो निहित नियमों को निकालने, आत्मविश्वास के स्तरों को स्पष्ट रूप से चिह्नित करने और मानव सत्यापन के लिए अंतराल को सुरक्षित रखने के माध्यम से लीगेसी सॉफ्टवेयर को AI एजेंटों के लिए ट्रैसेबल ऑपरेशनल स्पेसिफिकेशन में रिवर्स-इंजीनियर करता है, जैसा कि एक ATM सिस्टम को COBOL से Go में माइग्रेट करने के केस स्टडी में प्रदर्शित किया गया है।
यह शोधपत्र सिमेंटिक जेनेरेटिव ट्यूनिंग (SGT) प्रस्तुत करता है, जो एक नवीन पोस्ट-ट्रेनिंग प्रतिमान (पैराडाइम) है जो एकीकृत मल्टीमॉडल मॉडलों में विजुअल अंडरस्टैंडिंग और जनरेशन के बीच के अंतर को पाटने के लिए इमेज सेगमेंटेशन को एक जेनेरेटिव प्रॉक्सी के रूप में उपयोग करता है, जिससे धारणात्मक बोध (परसेप्टुअल कॉम्प्रिहेन्शन) और जेनेरेटिव फिडेलिटी दोनों में महत्वपूर्ण वृद्धि होती है।
यह शोध पत्र यह स्थापित करता है कि लार्ज लैंग्वेज मॉडल्स में तथ्यात्मक रिकॉल (factual recall), मॉडल पैरामीटर संख्या और प्रशिक्षण डेटा में विषय की आवृत्ति के संयुक्त प्रभावों द्वारा संचालित एक पूर्वानुमेय सिग्मॉइड स्केलिंग लॉ (sigmoid scaling law) का अनुसरण करता है, जो विशिष्ट मॉडल परिवारों के भीतर प्रदर्शन भिन्नता के 94% तक की व्याख्या करता है।
यह शोधपत्र चिकित्सा संबंधी एआई (AI) में मूल्य बहुलवाद (value pluralism) के ऑडिटिंग के लिए एक रूपरेखा प्रस्तुत करता है, जो यह प्रकट करता है कि हालांकि अत्याधुनिक भाषा मॉडल आंतरिक तर्क विविधता प्रदर्शित करते हैं, उनके अंतिम निर्णय लगभग-निश्चित (near-deterministic) होते हैं और व्यवस्थित रूप से रोगी की स्वायत्तता को कम महत्व देते हैं, जिससे नैदानिक नैतिक बहुलवाद को एक हानिकारक परिनियोजन एकसंस्कृति (deployment monoculture) द्वारा प्रतिस्थापित करने का जोखिम उत्पन्न होता है।