25186 पेपर
यह शोध पत्र एक नवीन डबल डीप रिइन्फोर्समेंट लर्निंग आर्किटेक्चर प्रस्तावित करता है जो लचीले मांग पूर्वानुमान के लिए एक कमेटी में से इष्टतम पूर्वानुमान मॉडल को स्वचालित रूप से चुनता है, जिसमें प्रशिक्षण को त्वरित करने के लिए एक नया अर्ली-स्टॉपिंग तंत्र शामिल है और जो स्टेट-ऑफ-द-आर्ट विधियों की तुलना में ग्रोसरी और स्नैक सेल्स डेटासेट पर बेहतर मजबूती प्रदर्शित करता है।
यह शोध पत्र LAWS को प्रस्तुत करता है, जो एक स्व-प्रमाणित (self-certifying) पैरामीटराइज्ड कैश आर्किटेक्चर है जो न्यूरल इन्फरेंस, रोबोटिक्स और एज सिस्टम्स के लिए परिनियोजन-समय (deployment-time) त्रुटि गारंटी प्रदान करने हेतु वास्तविक वर्कलोड से औपचारिक रूप से सीमित विशेषज्ञ फलनों (expert functions) की एक लाइब्रेरी को गतिशील रूप से बनाता है, और साथ ही मौजूदा Mixture-of-Experts और KV कैशिंग दृष्टिकोणों का सामान्यीकरण करते हुए उनसे बेहतर प्रदर्शन करता है।
यह शोध पत्र विविध कार्यों में मानव-एआई पूरकता की जांच करता है और पाता है कि हालांकि मामूली लाभ संभव हैं, वर्तमान संकरण और सहायता विधियाँ आवश्यकतानुसार निर्णयों को मनुष्यों तक प्रभावी ढंग से भेजने और ऐसे तंत्रों को डिजाइन करने में असमर्थता द्वारा सीमित हैं जो मनुष्यों को एआई त्रुटियों को विश्वसनीय रूप से ओवरराइड करने में सक्षम बनाते हैं।
यह शोध पत्र स्वचालित जमानत निर्णयों में लेबल अनिश्चितता (label indeterminacy) की महत्वपूर्ण चुनौती—जहाँ अस्वीकृत प्रतिवादियों के लिए प्रतितथ्यात्मक (counterfactual) परिणाम अप्रत्यक्ष रहते हैं—की जांच करता है, जिसमें पेंसिल्वेनिया के केस अध्ययनों के माध्यम से इस डेटा सीमा को संभालने के पांच तरीकों का मूल्यांकन किया गया है और यह प्रदर्शित किया गया है कि लेबल अनिश्चितता के लिए चुना गया दृष्टिकोण मॉडल की वास्तुकला (architecture) की तुलना में मॉडल के व्यवहार और आंतरिक निर्णय लेने की प्रक्रिया को अधिक महत्वपूर्ण रूप से प्रभावित करता है, साथ ही इन unverifiable धारणाओं की कानूनी वैधता का भी आकलन करता है।
यह शोध पत्र PI-DLinear को प्रस्तुत करता है, जो एक नवीन भौतिकी-सूचित (physics-informed) समय-श्रृंखला मॉडल है जो लोड ट्रांजिएंट्स के दौरान भौतिक निरंतरता सुनिश्चित करते हुए AI डेटा केंद्रों के लिए अत्याधुनिक अल्पकालिक शक्ति पूर्वानुमान सटीकता प्राप्त करने हेतु GPU उपयोग डेटा के साथ एक मल्टी-नोड थर्मल RC नेटवर्क को एकीकृत करता है।
यह शोध पत्र 'बैलेंस्ड एग्रीगेशन' (Balanced Aggregation) का प्रस्ताव देकर सत्यापन योग्य पुरस्कारों (verifiable rewards) वाले GRPO-शैली के सुदृढीकरण लर्निंग (reinforcement learning) में एकत्रीकरण पूर्वाग्रह (aggregation bias) की पहचान और समाधान करता है, जो सकारात्मक और नकारात्मक प्रतिक्रियाओं के लिए टोकन-स्तरीय ग्रेडिएंट्स को पुनर्संयोजित करने से पहले अलग-अलग औसत निकालता है, जिससे रीजनिंग और कोडिंग बेंचमार्क में प्रशिक्षण स्थिरता और प्रदर्शन में सुधार होता है।
यह शोध पत्र AsymmetryZero को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो मानव विशेषज्ञ प्राथमिकताओं को मॉडल-ओनली और एजेंटिक दोनों परिवेशों के लिए स्पष्ट, पुन: प्रयोज्य मूल्यांकन अनुबंधों में संचालित करता है, यह प्रदर्शित करते हुए कि कॉम्पैक्ट जूरी (compact juries) उच्च आंतरिक असहमति के बावजूद, फ्रंटियर जूरी की तुलना में समान कार्य-स्तरीय परिणाम प्राप्त कर सकती है और निर्णयन लागत एवं विलंबता को काफी कम कर सकती है।
यह शोध पत्र CTM-AI प्रस्तुत करता है, जो सामान्य कृत्रिम बुद्धिमत्ता के लिए एक सिद्धांतपूर्ण ब्लूप्रिंट है जो विविध विशिष्ट और सामान्य-उद्देश्य वाले प्रोसेसरों के गतिशील चयन और एकीकरण के माध्यम से मल्टीमॉडल समझ और एजेंटिक कार्यों में अत्याधुनिक प्रदर्शन प्राप्त करने के लिए कॉन्शियस ट्यूरिंग मशीन मॉडल को फाउंडेशन मॉडल्स के साथ एकीकृत करता है।
यह अध्ययन दर्शाता है कि जहाँ मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स सार्वजनिक त्वचा रोग संबंधी बेंचमार्क पर आशाजनक हैं, वहीं वास्तविक नैदानिक सेटिंग्स में उनकी नैदानिक सटीकता काफी कम हो जाती है, जो यह संकेत देता है कि वर्तमान मॉडल अभी तक बेडसाइड उपयोग के लिए पर्याप्त विश्वसनीय नहीं हैं।
TSCG एक नियत (deterministic), निर्भरता-मुक्त (dependency-free) टूल-स्कीमा कंपाइलर है जो अक्षम JSON स्कीमा को टोकन-कुशल संरचित टेक्स्ट में परिवर्तित करके उत्पादन परिवेशों (production environments) में छोटे और उन्नत LLMs के लिए टूल-उपयोग सटीकता में महत्वपूर्ण सुधार करता है, जिससे उस फॉर्मेट मिसमैच को हल किया जाता है जो वर्तमान में टूल-उपयोग की अधिकांश त्रुटियों का कारण बनता है।