24608 पेपर
यह शोध पत्र HGC-Det का प्रस्ताव करता है, जो एक हाइपरबोलिक ज्योमेट्री-गाइडेड क्रॉस-मोडल डिस्टिलेशन फ्रेमवर्क है जो विविध इनडोर और आउटडोर डेटासेट में बेहतर सटीकता-लागत ट्रेड-ऑफ के साथ सुदृढ़ 3D ऑब्जेक्ट डिटेक्शन प्राप्त करने के लिए सिमेंटिक-गाइडेड वोक्सेल ऑप्टिमाइज़ेशन, हाइपरबोलिक-कंस्ट्रेंड फीचर ट्रांसफर और ज्योमेट्री-आधारित एग्रीगेशन के माध्यम से इमेज और पॉइंट क्लाउड फीचर्स को एकीकृत करता है।
KnotBench लगभग 860,000 गांठ आरेखों (knot diagrams) का उपयोग करते हुए एक कठोर बेंचमार्क प्रस्तुत करता है ताकि यह प्रदर्शित किया जा सके कि वर्तमान विजन-लैंग्वेज मॉडल, "सोचने" वाले मोड के साथ बेहतर प्रदर्शन के बावजूद, दृश्य गांठ संरचनाओं को क्रियाशील प्रतीकात्मक तर्क में अनुवादित करने में मौलिक रूप से संघर्ष करते हैं, और अक्सर आरेखीय हेरफेर (diagrammatic manipulation) की आवश्यकता वाले कार्यों में रैंडम बेसलाइन से बेहतर प्रदर्शन करने में विफल रहते हैं।
यह शोध पत्र "सेपरेट फर्स्ट, फ्यूज़ लेटर" (SFFL) का प्रस्ताव करता है, जो एक नवीन ऑडियो-विजुअल रीजनिंग फ्रेमवर्क है जो मोडैलिटी-विशिष्ट चेन-ऑफ-थॉट रीजनिंग के बाद एविडेंस फ्यूजन को लागू करके ऑडियो-विजुअल लार्ज लैंग्वेज मॉडल्स में क्रॉस-मोडल इंटरफेरेंस और हैलुसिनेशन को कम करता है, जिसके परिणामस्वरूप AVQA बेंचमार्क पर महत्वपूर्ण सटीकता और मजबूती में सुधार होता है।
RADAR एक रेडंडेंसी-अवेयर (redundancy-aware), क्वेरी-एडेप्टिव (query-adaptive) जनरेटिव फ्रेमवर्क है जो मल्टी-एजेंट कम्युनिकेशन टोपोलॉजी को डायनामिक रूप से ऑप्टिमाइज़ करने के लिए कंडीशनल डिस्क्रीट ग्राफ डिफ्यूजन (conditional discrete graph diffusion) का उपयोग करता है, जिससे मौजूदा तरीकों की तुलना में उच्च सटीकता, कम टोकन खपत और अधिक मजबूती प्राप्त होती है।
यह स्थिति पत्र चेतावनी देता है कि शीर्ष एआई (AI) सम्मेलनों को "एजेंटिक डिनोमिनेटर गेमिंग" (Agentic Denominator Gaming) नामक एक प्रणालीगत भेद्यता का सामना करना पड़ रहा है, जहाँ दुर्भावनापूर्ण अभिनेता लक्षित वैध कार्यों के लिए स्वीकृति दरों को कृत्रिम रूप से बढ़ाने हेतु निम्न-गुणवत्ता वाले शोध पत्रों के साथ सबमिशन पूल्स को भरने के लिए स्वचालित एजेंटों का उपयोग करते हैं, जिससे होने वाली समीक्षक थकान और समीक्षा की गुणवत्ता में गिरावट को कम करने के लिए केवल तकनीकी पहचान के बजाय संरचनात्मक नीतिगत सुधारों की आवश्यकता है।
यह शोध पत्र NaiAD को प्रस्तुत करता है, जो लगभग 59,000 विज्ञापन-अंतर्निहित प्रतिक्रियाओं और एक विच्छेदित (decoupled) जनरेशन पाइपलाइन वाली LLM-नेटिव विज्ञापन के लिए पहली व्यापक डेटासेट है, जो मॉडलों को विशिष्ट अर्थ संबंधी रणनीतियों और नियंत्रणीय इन-कॉन्टेक्स्ट लर्निंग के माध्यम से उपयोगकर्ता अनुभव और वाणिज्यिक राजस्व को एक साथ अनुकूलित करने में सक्षम बनाती है।
यह शोधपत्र VIGOR को प्रस्तुत करता है, जो एक वर्िफायर-मुक्त (verifier-free) सुदृढीकरण लर्निंग (reinforcement learning) विधि है जो बाहरी वर्िफायर या गोल्ड लेबल पर निर्भर हुए बिना गणितीय तर्क और कोड जनरेशन में LLM के प्रदर्शन को प्रभावी ढंग से सुधारने के लिए स्वयं पॉलिसी मॉडल से प्राप्त आंतरिक ग्रेडिएंट-नॉर्म रिवार्ड्स का लाभ उठाता है।
यह शोध पत्र टीम-आधारित डुअल एडेप्टिव वेटिंग के साथ सेल्फ-प्ले (TPAW) को प्रस्तुत करता है, जो एक नवीन स्व-पर्यवेक्षित (self-supervised) एल्गोरिदम है जो मौजूदा स्व-प्रशिक्षण दृष्टिकोणों की अस्थिरता और अनुकूलन सीमाओं को दूर करने के लिए ऐतिहासिक चेकपॉइंट्स और डुअल एडेप्टिव वेटिंग तंत्र के साथ एक सहयोगात्मक-प्रतिस्पर्धी टीम ढांचे का उपयोग करके LLM संरेखण (alignment) को बढ़ाता है।
PruneTIR एक इन्फरेंस-टाइम फ्रेमवर्क है जो त्रुटिपूर्ण प्रक्षेप पथों (trajectories) को गतिशील रूप से छाँटकर, टूल कॉल्स को पुन: नमूना बनाकर (resampling), और पुनः प्रयासों को निलंबित करके बड़े भाषा मॉडलों में टूल-एकीकृत तर्क को बढ़ाता है, जिससे बिना किसी अतिरिक्त प्रशिक्षण के सटीकता और दक्षता में सुधार होता है।
यह शोध पत्र बोरुटा (Boruta) फीचर सिलेक्शन एल्गोरिदम के दो GPU-त्वरित संस्करणों का प्रस्ताव करता है, जो यह प्रदर्शित करते हैं कि वे मूल CPU-आधारित पद्धति के समान सटीकता बनाए रखते हुए बड़े पैमाने के डेटासेट के लिए कम्प्यूटेशनल दक्षता में महत्वपूर्ण सुधार करते हैं, हालांकि इम्प्योरिटी-आधारित (impurity-based) संस्करण कुछ फीचर्स के महत्व को बढ़ा-चढ़ाकर दिखा सकता है।