20304 पेपर
यह शोध पत्र कॉज़ल डिस्कवरी फाउंडेशन मॉडल (CDFM) को प्रस्तुत करता है, जो एक एकीकृत, सर्व-उद्देश्यीय ढांचा है जो शून्य-शॉट स्ट्रक्चरल इन्फरेंस (zero-shot structural inference) प्राप्त करने के लिए एक सिद्धांत-आधारित वेरिएशनल दृष्टिकोण और सिंथेटिक कॉज़ल मॉडल्स पर व्यापक प्रीट्रेनिंग का लाभ उठाता है, जिससे पारंपरिक डेटासेट-विशिष्ट कॉज़ल डिस्कवरी एल्गोरिदम की स्केलेबिलिटी सीमाओं को दूर किया जा सके।
यह शोध पत्र एक दो-चरणीय डिकोडिंग ढांचे का प्रस्ताव करता है जो EEG संकेतों से निरंतर 3D मोटर इमेजरी डिकोडिंग में अवशिष्ट गतिज त्रुटियों (residual kinematic errors) को सुधारने के लिए एक CNN-LSTM मॉडल को ऑफलाइन सुदृढीकरण लर्निंग (offline reinforcement learning) के साथ जोड़ता है, जो अतिरिक्त न्यूरल डेटा की आवश्यकता के बिना प्रक्षेपवक्र सटीकता (trajectory accuracy) में काफी सुधार करता है और त्रुटि दरों को कम करता है।
यह शोधपत्र कोडिंग एजेंटों का उपयोग करके एक ह्यूरिस्टिक लर्निंग फ्रेमवर्क पेश करता है जो सक्रिय प्रवाह नियंत्रण (active flow control) के लिए प्रत्यक्ष, व्याख्यात्मक फीडबैक नियमों की खोज सीधे तौर पर करता है, और यह प्रदर्शित करता है कि यह दृष्टिकोण 13 बेंचमार्क में अत्याधुनिक डीप रिइन्फोर्समेंट लर्निंग के बराबर या उससे बेहतर प्रदर्शन करता है और साथ ही अधिक पारदर्शिता और भौतिक अंतर्दृष्टि प्रदान करता है।
यह शोध पत्र MAGIC प्रस्तुत करता है, जो एक चार-चरणीय प्रॉम्प्ट-टू-प्रोजेक्ट सिस्टम है जो नेविगेबल, सुसंगत मल्टी-सीन गेम वर्ल्ड्स को कार्यात्मक ट्रांज़िशन के साथ स्वचालित रूप से उत्पन्न करने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, जो एक नवीन पाइपलाइन और इवैल्यूएशन एजेंट के माध्यम से क्रॉस-सीन कंसिस्टेंसी, इन-सीन नेविगेबिलिटी और ट्रांज़िशन वैलिडेशन की प्रमुख चुनौतियों का समाधान करता है।
यह शोध पत्र "इंटरैक्शन स्केलिंग" को टेस्ट-टाइम कंप्यूट के एक विशिष्ट तीसरे अक्ष के रूप में प्रस्तुत करता है जो फीडबैक और मूल्यांकन दोनों को वास्तविक दुनिया के अवलोकनों में निहित करके रीजनिंग और सैंपलिंग की सीमाओं से आगे निकल जाता है, जिससे उन कठिन कार्यों पर निरंतर सुधार संभव हो पाता है जहाँ पारंपरिक तरीके स्थिर हो जाते हैं।
यह शोध पत्र एक ऑडिट फ्रेमवर्क प्रस्तुत करता है जो यह प्रदर्शित करता है कि प्रशिक्षित डिस्ट्रीब्यूशनल रिइन्फोर्समेंट लर्निंग एजेंटों के जोखिम-संवेदनशील दावे काफी हद तक संरचनात्मक प्रशिक्षण आर्टिफैक्ट्स हैं न कि पर्यावरणीय स्टोकेस्टिसिटी का सटीक प्रतिबिंब, जो उनकी जोखिम संबंधी सलाह को सूचनाहीन और निर्णय लेने के लिए अक्सर हानिकारक बना देते हैं।
यह शोध पत्र LLM संदर्भ लंबाई (context length) को निरंतर मेमोरी स्केलिंग के साथ विस्तारित करने के लिए एक कुशल समाधान के रूप में एसोसिएटिव रिकरेंट मेमोरी ट्रांसफॉर्मर (ARMT) का प्रस्ताव करता है, जिसे नए डोमेन-विशिष्ट डेटासेट, एक व्यापक प्रशिक्षण रेसिपी और श्रेष्ठ सामान्यीकरण (generalization) तथा प्रदर्शन में गिरावट के बिना 30% FLOPs की कमी दिखाने वाले प्रयोगात्मक परिणामों के माध्यम से मान्य किया गया है।
यह अध्ययन प्रदर्शित करता है कि मल्टीमॉडल लैंग्वेज मॉडल LLaVA 1.6 पर लक्षित लीजन्स (lesions) और व्यवधानों (perturbations) को लागू करने से एफ़ेज़िया (aphasia) वाले व्यक्तियों के विशिष्ट चित्र-नामकरण त्रुटि प्रोफाइलों को मात्रात्मक रूप से पुनरुत्पादित किया जा सकता है, जो यह सुझाव देता है कि ऐसे मॉडल स्ट्रोक के बाद होने वाले भाषा संबंधी दोषों के अनुकरण के लिए "डिजिटल ट्विन्स" के रूप में कार्य कर सकते हैं।
यह शोध पत्र यह प्रदर्शित करता है कि बड़े भाषा मॉडल (large language models) स्पष्ट पैरामीटर विनिर्देश के बिना मानव मार्ग चयन पूर्वाग्रहों और प्रॉस्पेक्ट-थ्योरेटिक निर्णय व्यवहारों को प्रभावी ढंग से पुनरुत्पादित कर सकते हैं, जो बड़े पैमाने पर व्यवहार संबंधी मॉडलिंग के लिए पारंपरिक तरीकों के एक स्केलेबल विकल्प के रूप में कार्य करता है।
यह शोध पत्र IoT नेटवर्क के लिए एक क्लोज्ड-लूप एक्सेस-कंट्रोल आर्किटेक्चर प्रस्तुत करता है जो मानक IEEE 802.1X और RADIUS प्रोटोकॉल के साथ एक लाइटवेट, पैसिव एनोमली डिटेक्टर को एकीकृत करता है ताकि समझौता किए गए उपकरणों को लगभग 450 मिलीसेकंड के भीतर स्वचालित रूप से निष्कासित और उनके प्रमाणपत्रों को रद्द किया जा सके, जिससे विशेष प्रोग्राम करने योग्य डेटा प्लेन की आवश्यकता के बिना विसंगति का पता लगाने और स्वचालित प्रवर्तन के बीच के अंतर को पाटा जा सके।