24608 पेपर
यह शोध पत्र MIND-Skill को प्रस्तुत करता है, जो एक मल्टी-एजेंट फ्रेमवर्क है जो जटिल कार्यों पर मजबूती और सामान्यीकरण सुनिश्चित करने के लिए टेक्स्टुअल लॉस (पुनर्निर्माण, परिणाम और रूब्रिक) के माध्यम से अनुकूलित इंडक्शन-डिडक्शन चक्र के माध्यम से स्वचालित रूप से उच्च-गुणवत्ता वाले, पुन: प्रयोज्य LLM कौशल उत्पन्न करता है।
यह शोधपत्र एक्सप्लेनेशन फेयरनेस टैक्सोनॉमी (EFT) प्रस्तुत करता है और अनुभवजन्य साक्ष्य प्रस्तुत करता है कि लार्ज लैंग्वेज मॉडल्स विभिन्न जनसांख्यिकीय समूहों के बीच गुणवत्ता, स्वर और परिष्कार के विविध स्तरों वाली व्याख्याएं व्यवस्थित रूप से उत्पन्न करते हैं, जो यह प्रकट करता है कि हालांकि प्रॉम्पटिंग निर्णय-जुड़े विसंगतियों को कम कर सकती है, फिर भी प्री-ट्रेनिंग वितरणों के कारण शैलीगत असमानताएं बनी रहती हैं।
यह शोध पत्र यह प्रदर्शित करता है कि एक पूर्ण ओरेकल (oracle) के बिना LLM कोड जनरेशन के लिए, निष्पादन-आधारित सर्वसम्मति (execution-based consensus) विधियाँ आउटपुट-पैटर्न वोटिंग की तुलना में काफी बेहतर प्रदर्शन करती हैं, जहाँ सफलता का प्राथमिक चालक प्रयुक्त विशिष्ट एकत्रीकरण नियम (aggregation rule) के बजाय उत्पन्न किए गए परीक्षण इनपुट (test inputs) की गुणवत्ता है।
यह शोध पत्र "इवेंट फील्ड्स" (Event Fields) को प्रस्तुत करता है, जो वेवफॉर्म फाउंडेशन मॉडल्स का एक नया वर्ग है जो पारंपरिक अनुक्रम-आधारित निरूपणों से हटकर समय श्रृंखला (time series) को अंतर्निहित, परस्पर क्रिया करने वाली घटनाओं के रूप में मॉडल करने वाले एक स्व-पर्यवेक्षित ढांचे (self-supervised framework) की ओर स्थानांतरित होकर शारीरिक संकेतों के विश्लेषण में सुधार करता है, जिससे विभिन्न स्वास्थ्य देखभाल बेंचमार्क में उत्कृष्ट प्रदर्शन, सुदृढ़ता और लेबल दक्षता प्राप्त होती है।
यह शोध पत्र स्ट्रक्चर-सेंट्रिक ग्राफ फाउंडेशन मॉडल्स (SCGFM) का प्रस्ताव करता है, जो एक नवीन दृष्टिकोण है जो सीखने योग्य ज्यामितीय आधारों (learnable geometric bases) और ग्रोमो-वासरस्टीन अलाइनमेंट (Gromov-Wasserstein alignment) का उपयोग करके ग्राफ टोपोलॉजी को हस्तांतरणीय ज्ञान के प्राथमिक स्रोत के रूप में मानता है ताकि संरचनात्मक विषमता और फीचर असंगति को दूर किया जा सके, जिससे विविध ग्राफ डोमेन में उत्कृष्ट सामान्यीकरण प्राप्त किया जा सके।
SkillMaster एक नवीन प्रशिक्षण ढांचा है जो LLM एजेंटों को प्रक्षेपवक्र-सूचित समीक्षा (trajectory-informed review), प्रतितथ्यात्मक उपयोगिता मूल्यांकन (counterfactual utility evaluation) और एक दोहरे-लाभ वाले सुदृढीकरण लर्निंग एल्गोरिदम के माध्यम से स्वायत्त रूप से कौशल बनाने, परिष्कृत करने और चुनने में सक्षम बनाता है, जिससे बिना किसी बाहरी मार्गदर्शन के जटिल कार्यों पर महत्वपूर्ण प्रदर्शन सुधार और आत्म-सुधार क्षमताएं प्राप्त होती हैं।
यह शोध पत्र MBP-KT का प्रस्ताव करता है, जो एक सामान्य ढांचा है जो कच्चे इंटरैक्शन को मेटा-व्यवहार संबंधी पैटर्न में बदलकर पैरामीटर-मुक्त वैश्विक सहयोगात्मक जानकारी निकालने और इंजेक्ट करने के माध्यम से नॉलेज ट्रेसिंग को बढ़ाता है, जिससे विभिन्न डाउनस्ट्रीम मॉडलों के प्रदर्शन और सामान्यीकरण में सुधार होता है।
यह शोध पत्र गेट-एंड-मर्ज (Gate-and-Merge) को प्रस्तुत करता है, जो विजन-लैंग्वेज मॉडल्स में कंपोजिशनल पर्सनलाइजेशन के लिए एक ज़ीरो-शॉट फ्रेमवर्क है, जो अवधारणाओं को लोरा (LoRA) एडेप्टर के माध्यम से स्वतंत्र रूप से सीखता है और बिना सह-अस्तित्व प्रशिक्षण (co-occurrence training) के विलगित, हस्तक्षेप-मुक्त प्रदर्शन सुनिश्चित करने के लिए अनुमान (inference) के दौरान उन्हें एक गेटिंग मैकेनिज्म का उपयोग करके मर्ज करता है।
AgentPSO एक नवीन ढांचा है जो एजेंटों को स्वार्म ऑप्टिमाइज़ेशन प्रक्रिया में कणों (particles) के रूप में मानकर मल्टी-एजेंट रीजनिंग कौशल को विकसित करता है, जो अंतर्निहित भाषा मॉडल मापदंडों को संशोधित किए बिना समस्या-समाधान प्रदर्शन में सुधार करने के लिए व्यक्तिगत और वैश्विक सर्वोत्तम अनुभवों के संयोजन के माध्यम से उनकी प्राकृतिक-भाषा तर्क रणनीतियों को पुनरावृत्ति के साथ अपडेट करता है।
यह शोधपत्र आत्मविश्वास-आधारित मानव-एआई टीमों के लिए सटीक सैद्धांतिक सीमाएँ और असंभवता संबंधी गारंटी स्थापित करता है, यह सिद्ध करते हुए कि पूरकता तभी प्राप्त की जा सकती है जब त्रुटि सहसंबंध (error correlation) एक विशिष्ट सीमा से नीचे रहे जो कार्य की जटिलता के साथ स्केल करती है, जिससे यह स्पष्ट होता है कि टीमें अक्सर अपने सर्वश्रेष्ठ व्यक्तिगत सदस्य से बेहतर प्रदर्शन करने में क्यों विफल रहती हैं।