24888 पेपर
AnomalyClaw एक प्रशिक्षण-मुक्त (training-free) विज़ुअल विसंगति पहचान एजेंट है जो विसंगति निर्णय को एक बहु-चरणीय, टूल-ग्राउंडेड खंडन प्रक्रिया में बदलकर विविध डोमेन में विजन-लैंग्वेज मॉडल्स की विश्वसनीयता को बढ़ाता है, जो सामान्य-नमूना संदर्भों के विरुद्ध उम्मीदवारों का व्यवस्थित रूप से सत्यापन करता है।
यह शोध पत्र यह सिद्ध करके कौरोव्का नोटबुक (समस्या 21.10) के खुले प्रश्न को हल करता है कि प्रत्येक परिमित समूह एक "जस्ट फाइनाइट" प्रस्तुति स्वीकार करता है, जिसका अर्थ है एक ऐसी प्रस्तुति जहाँ किसी भी एक संबंध को हटाने से एक अनंत समूह प्राप्त होता है।
यह शोध पत्र उपचार प्रभाव अनुमान (treatment effect estimation) में पद्धतिगत अनुसंधान और व्यावहारिक अनुप्रयोग के बीच एक महत्वपूर्ण विच्छेद को प्रकट करता है, जो यह दर्शाता है कि काउंटरफैक्चुअल मेट्रिक्स और अर्ध-सिम्युलेटेड बेंचमार्क वास्तविक दुनिया के डेटा पर मॉडल के प्रदर्शन की विश्वसनीय रूप से भविष्यवाणी करने में विफल रहते हैं, जिससे अवलोकन योग्य मेट्रिक्स और वास्तविक-डेटा सत्यापन की ओर बदलाव का समर्थन मिलता है।
StereoTales एक बहुभाषी ढांचा और डेटासेट है जिसमें 10 भाषाओं में 650,000 से अधिक कहानियाँ शामिल हैं जो यह प्रकट करता है कि कैसे ओपन-एंडेड LLM जनरेशन, मॉडल के आकार की परवाह किए बिना, व्यवस्थित रूप से सांस्कृतिक रूप से अनुकूलित, हानिकारक रूढ़ियों (stereotypes) का उत्पादन करता है, जबकि यह पूर्वाग्रह के मानवीय और AI निर्णयों के बीच मजबूत संरेखण को प्रदर्शित करता है।
यह शोध पत्र सामूहिक क्वांटम प्रसंस्करण के लिए एक कैविटी-एन्हांस्ड ऑप्टिकल आर्किटेक्चर का प्रस्ताव करता है जो सेंटीमीटर-स्केल कैविटी में ऑर्डर-वनिटी कंडिशनल फेजेस के साथ यूनिवर्सल गेट सेट्स प्राप्त करने के लिए पोलराइजेशन-एनकोडेड क्यूबिट्स और ट्यूनेबल नॉनलीनर इंटरैक्शन का उपयोग करता है, जिससे अत्यधिक नॉनलीनर गुणांकों या अल्ट्रा-स्टेबल लेजर स्थितियों की आवश्यकता समाप्त हो जाती है।
यह शोध पत्र पॉलीनोमियल ज़ोनोटोप्स और एक पॉलीनोमियल-आधारित मॉडल का उपयोग करके प्रोसेस वेरिएशन्स के तहत एनालॉग न्यूरल नेटवर्क के लिए एक औपचारिक सत्यापन दृष्टिकोण प्रस्तुत करता है, जो मोंटे कार्लो सिमुलेशन पर निर्भर हुए बिना, 99% वेरिएशन सैंपल्स को सटीक रूप से समाहित करते हुए सत्यापन समय को दिनों से घटाकर सेकंडों में महत्वपूर्ण रूप से कम कर देता है।
यह शोध पत्र ASIA को प्रस्तुत करता है, जो एक स्वायत्त एजेंट फ्रेमवर्क है जो केवल साधारण अंग्रेजी समस्या विवरणों के आधार पर मॉडल चयन से लेकर प्रशिक्षण और मूल्यांकन तक की एंड-टू-एंड सिस्टम आइडेंटिफिकेशन प्रक्रिया को स्वचालित करने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, जिससे विशेषज्ञ परीक्षण-और-त्रुटि (ट्रायल-एंड-एरर) पर निर्भरता कम होती है और साथ ही पारदर्शिता एवं पुनरुत्पादकता (रिप्रोड्यूसिबिलिटी) में चुनौतियों को रेखांकित किया जाता है।
यह शोध पत्र DeepRefine प्रस्तुत करता है, जो एक सुदृढीकरण शिक्षण (reinforcement learning) आधारित ढांचा है जो एजेंट द्वारा संकलित ज्ञान आधारों (knowledge bases) के अपूर्णता, त्रुटिपूर्णता और पुनरावृत्ति को समाप्त करने के लिए उन्हें पुनरावृत्ति रूप से निदान और परिष्कृत करता है, जिससे बिना किसी स्वर्ण-मानक संदर्भ (gold-standard references) की आवश्यकता के, पुनर्प्राप्ति निष्ठा (retrieval fidelity) और डाउनस्ट्रीम कार्य प्रदर्शन में वृद्धि होती है।
यह शोध पत्र प्रदर्शित करता है कि मल्टी-लेयर अटेंटिव प्रोबिंग रणनीतियाँ बायोअकूस्टिक बेंचमार्क में मानक फिक्स्ड, सिंगल-लेयर लीनियर प्रोब्स की तुलना में काफी बेहतर प्रदर्शन करती हैं, जो यह दर्शाता है कि वर्तमान मूल्यांकन विधियाँ ऑडियो रिप्रेजेंटेशन मॉडल्स की वास्तविक गुणवत्ता को कम आंक सकती हैं।
यह शोध पत्र लॉन्ग-टेल्ड रिकग्निशन (long-tailed recognition) के लिए एक नवीन मल्टी-मोडल फ्रेमवर्क प्रस्तावित करता है जो क्लास इम्बैलेंस (class imbalance) को दूर करने और मौजूदा सिंगल-मोडल विधियों से बेहतर प्रदर्शन करने के लिए कॉन्फिडेंस-गाइडेड वेट्स (confidence-guided weights) का उपयोग करके विषम डेटा स्रोतों को गतिशील रूप से फ्यूज करता है।