25186 पेपर
यह योगदान लॉस-दृश्य (loss-visible) और लॉस-अदृश्य (loss-invisible) ओवरलैप्स के बीच अंतर करने वाले एक संक्षिप्त ODE सिस्टम को व्युत्पन्न करके लो-रैंक फ्रेमवर्क को न्यूरल लर्निंग तक विस्तारित करता है और यह प्रकट करता है कि कैसे लर्निंग छिपे हुए कनेक्टिविटी अंतरों को उजागर करती है जबकि प्रशिक्षण प्रक्षेप पथों (training trajectories) को मेमोरी वेरिएबल्स के रूप में एनकोड करती है।
यह कार्य एक बिब्लियोमेट्रिक परीक्षण प्रस्तुत करता है जो दर्शाता है कि एआई (AI) क्षमताओं के शैक्षणिक आकलन व्यवस्थित रूप से वर्तमान अत्याधुनिक अवस्था से एक दशक से अधिक पीछे हैं, एक ऐसा अंतराल जो प्रकाशन विलंब के कारण चौड़ा होता जा रहा है और जिसे मॉडल कॉन्फ़िगरेशन के व्यापक गलत निरूपण के साथ-साथ विशिष्ट रूप से मूल्यांकित प्रणालियों के बजाय "एआई" के बारे में अति-सामान्यीकृत दावों द्वारा और भी बढ़ा दिया गया है।
यह शोध पत्र एक वास्तविक समय (रियल-टाइम) सर्जिकल एआई प्रणाली प्रस्तावित करता है जो प्रक्रियात्मक दक्षता की भविष्यवाणी करने और इंट्राऑपरेटिव संचार एवं समन्वय में सुधार के लिए कार्रवाई योग्य, काउंटरफैक्चुअल अंतर्दृष्टि उत्पन्न करने हेतु टाइम-एक्सपेंडेड इंटरेक्शन ग्राफ का उपयोग करके टीम डायनेमिक्स को मॉडल करता है।
यह शोध पत्र MedFabric को प्रस्तुत करता है, जो यथार्थवादी शब्द-स्तरीय चिकित्सा फैब्रिकेशन्स (fabrications) उत्पन्न करने के लिए एक डेटा-केंद्रित पाइपलाइन है, और ETHER को, जो इस डेटासेट का लाभ उठाकर मेडिकल LLM आउटपुट्स के भीतर सूक्ष्म तथ्यात्मक विचलन की पहचान करने में मौजूदा अत्याधुनिक विधियों से काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र "स्पार्स बैकडोर" (Sparse Backdoor) को प्रस्तुत करता है, जो एक आपूर्ति श्रृंखला हमला (supply chain attack) है जो पूर्व-प्रशिक्षित इमेज क्लासिफायर में गॉसियन डिदरिंग (Gaussian dithering) द्वारा छिपा हुआ एक प्रमाणित रूप से अप्राप्य स्पार्स परटर्बेशन (sparse perturbation) इंजेक्ट करता है, यह प्रदर्शित करते हुए कि समझौता किए गए मॉडल को स्वच्छ संदर्भ से अलग करना मानक हार्डनेस धारणाओं के तहत कम्प्यूटेशनल रूप से असंभव है।
यह शोध पत्र लेयरवाइज एलक्यूआर (LLQR) प्रस्तुत करता है, जो एक स्केलेबल अनुकूलन ढांचा है जो सेकंड-ऑर्डर ज्योमेट्री-अवेयर अपडेट्स को एक लीनियर क्वाड्रेटिक रेगुलेटर समस्या के रूप में पुनर्गठित करता है ताकि संरचित प्रीकंडीशनर्स सीखना, जो वैश्विक कर्वेचर मैट्रिक्स को इनवर्ट किए बिना क्रॉस-लेयर इंटरैक्शन को संरक्षित करते हैं, जिससे गहरे नेटवर्क में प्रशिक्षण गतिकी और अंतिम प्रदर्शन में सुधार होता है।
यह शोध पत्र इस धारणा को चुनौती देता है कि टेम्पोरल रीजनिंग (कालिक तर्क) लार्ज लैंग्वेज मॉडल्स के लिए प्राथमिक बाधा है, इसके बजाय यह प्रस्तावित करता है कि विफलताएं अनस्ट्रक्चर्ड टेक्स्ट-टू-इवेंट रिप्रजेंटेशन से उत्पन्न होती हैं और एक प्रोबेबिलिस्टिक इनकंसिस्टेंसी सिग्नल (संभावित विसंगति संकेत) के साथ एक न्यूरो-सिंबोलिक फ्रेमवर्क पेश करता है जो सिमेंटिक एक्सट्रैक्शन को सिंबोलिक रीजनिंग से अलग करके बेंचमार्क पर पूर्ण सटीकता प्राप्त करता है।
यह शोध पत्र PARSE को प्रस्तुत करता है, जो एक स्पेक्युलेटिव जनरेशन फ्रेमवर्क है जो सिमेंटिक स्तर पर कुशल, सिंगल-पास पैरेलल प्रीफिक्स वेरिफिकेशन को सक्षम करके लार्ज लैंग्वेज मॉडल इन्फरेंस को तेज़ करता है, जिससे नगण्य सटीकता ह्रास के साथ महत्वपूर्ण थ्रूपुट लाभ प्राप्त होता है।
यह लेख मीन कर्वेचर बाउंड्री पॉइंट्स (MCBP) को प्रस्तुत करता है, जो एक नवीन अनसुपरवाइज्ड लर्निंग फ्रेमवर्क है जो सीमाओं की पहचान करने और डेटा को स्मूथ और बाउंड्री सबसेट्स में विभाजित करने के लिए स्थानीय पड़ोस से डिस्क्रीट मीन कर्वेचर अनुमानों का लाभ उठाता है, जिससे पारंपरिक डेंसिटी-आधारित मापदंडों पर निर्भरता के बिना उच्च-आयामी और जटिल डेटासेट पर क्लस्टरिंग प्रदर्शन में सुधार होता है।
यह लेख एडेप्टिव कॉन्फॉर्मल सिमेंटिक एंट्रॉपी (ACSE) प्रस्तावित करता है, जो एक नवीन विधि है जो विविध प्रतिक्रियाओं में सिमेंटिक डिस्पर्शन (अर्थ संबंधी फैलाव) को अनुकूल रूप से मापकर और वितरण संबंधी धारणाओं के बिना परिमित-नमूना त्रुटि गारंटी प्रदान करने के लिए कॉन्फॉर्मल कैलिब्रेशन लागू करके LLMs की अनिश्चितता को मात्रात्मक रूप से मापता है, जिससे यह सुरक्षा-महत्वपूर्ण अनुप्रयोगों में मौजूदा लेक्सिकल और प्रोबेबिलिस्टिक बेसलाइन विधियों से आगे निकल जाता है।