25254 पेपर
यह शोध पत्र एक डेटा-केंद्रित एआई फ्रेमवर्क प्रस्तुत करता है जो फ्लोरोसेंस लाइफटाइम इमेजिंग का उपयोग करके वास्तविक समय में ग्लियोमा सर्जिकल मार्गदर्शन के लिए एक सुदृढ़ 96% सटीक मल्टी-क्लास क्लासिफायर प्राप्त करने हेतु शोरयुक्त हिस्टोपैथोलॉजिकल लेबल को परिष्कृत करने और ट्यूमर सेलुलैरिटी वर्गों को मिलाने के लिए कॉन्फिडेंट लर्निंग का उपयोग करता है।
यह शोध पत्र प्रदर्शित करता है कि इनपुट वर्ड एम्बेडिंग्स (input word embeddings) को ज़ीरो-ऑर्डर ग्रेडिएंट एस्टीमेशन (zeroth-order gradient estimation) के माध्यम से अनुकूलित किया जा सकता है ताकि संरेखित भाषा मॉडलों (aligned language models) को हानिकारक इनकार या असुरक्षित आउटपुट से दूर ले जाया जा सके, जिससे मानक बेंचमार्क पर सुरक्षा-फ्लैग की गई प्रतिक्रियाओं को प्रभावी ढंग से निष्प्रभावी किया जा सके।
यह शोध पत्र "लोवेस्ट सेंट्रॉइड" (Lowest Centroid) का प्रस्ताव करता है, जो एक टेस्ट-टाइम स्केलिंग विधि है जो उच्च-एन्ट्रॉपी टोकन के टेम्पोरल क्लस्टरिंग पर आधारित एक "एन्ट्रॉपी सेंट्रॉइड" की गणना करके सर्वश्रेष्ठ मॉडल रिस्पॉन्स का चयन करती है, जो बिना किसी बाहरी रिवॉर्ड मॉडल की आवश्यकता के विभिन्न कार्यों और मॉडल स्केल्स पर मौजूदा बेसलाइनों की तुलना में निरंतर प्रदर्शन सुधार प्रदर्शित करती है।
एवरग्रीन (Evergreen) एक कुशल प्रणाली है जो सिमेंटिक एग्रीगेट्स (semantic aggregates) में संभावित रूप से भ्रामक दावों को उसी इंजन पर निष्पादित होने वाली डिक्लेरेटिव क्वेरीज़ (declarative queries) में संकलित करके सत्यापित करती है, जो मौजूदा बेसलाइन्स की तुलना में उच्च सटीकता के साथ काफी कम लागत और विलंबता प्राप्त करने के लिए अनुकूलित अनुकूलन (tailored optimizations) और सेमिरिंग-आधारित प्रोवेनेंस (semiring-based provenance) का उपयोग करती है।
यह पूर्व-पंजीकृत अध्ययन प्रदर्शित करता है कि 7-9 बिलियन पैरामीटर वाले मॉडलों में प्रेरित सैंडबैगिंग (sandbagging), स्थिति-ट्रैकिंग के बजाय विशिष्ट उत्तर स्थितियों (E/F/G) पर केंद्रित एक स्थिर, विषय-अपरिवर्तनीय वितरणल अट्रैक्टर (distributional attractor) के रूप में प्रकट होती है, जिसे विकल्प-क्रम रेंडमाइजेशन (option-order randomisation) के माध्यम से प्रकट किया गया है और एक नकारात्मक नियंत्रण मॉडल द्वारा मान्य किया गया है।
यह शोध पत्र हाइपर-पैरलल डिकोडिंग (HPD) प्रस्तुत करता है, जो आउटपुट अनुक्रमों की सशर्त स्वतंत्रता का लाभ उठाकर आउट-ऑफ़-ऑर्डर, समानांतर टोकन जनरेशन को सक्षम करने के लिए एक नवीन एल्गोरिदम है, जिससे एट्रिब्यूट वैल्यू एक्सट्रैक्शन जैसे कार्यों के लिए लार्ज लैंग्वेज मॉडल इन्फरेंस को गति मिलती है, और गुणवत्ता से समझौता किए बिना इन्फरेंस समय और लागत को 13.8X तक कम किया जाता है।
यह शोधपत्र OMEGA को प्रस्तुत करता है, जो एक एंड-टू-एंड फ्रेमवर्क है जो संरचित मेटा-प्रॉम्ट इंजीनियरिंग को निष्पादन योग्य कोड जनरेशन के साथ जोड़कर AI अनुसंधान को स्वचालित करता है ताकि ऐसे नवीन मशीन लर्निंग क्लासिफायर बनाए जा सकें जो 20 बेंचमार्क डेटासेट पर scikit-learn बेसलाइन्स से बेहतर प्रदर्शन करते हैं।
यह शोध पत्र "सीकिंग कंसेंसस" (SeeCo) का प्रस्ताव करता है, जो एक प्लग-एंड-प्ले, प्रशिक्षण-मुक्त ढांचा है जो ज्यामितीय और अर्थपूर्ण सर्वसम्मति (geometric and semantic consensus) के माध्यम से मॉडलों को ऑन-द-फ्लाई गतिशील रूप से पुन: अंशांकित करके ओपन-वोकेबुलरी रिमोट सेंसिंग सिमेंटिक सेगमेंटेशन को बढ़ाता है ताकि दृश्य-विशिष्ट अस्पष्टताओं को हल किया जा सके और फोरग्राउंड एक्टिवेशन में सुधार किया जा सके।
यह शोध पत्र विभिन्न गुणवत्ता वाले कानूनी अधिवक्ताओं द्वारा किए जाने वाले अनुनय के प्रति फ्रंटियर लार्ज लैंग्वेज मॉडल्स (LLMs) की संवेदनशीलता की जांच करता है, जिसमें इस बात के प्रयोगात्मक परिणाम प्रस्तुत किए गए हैं कि तर्क प्रस्तुतिकरण मॉडल के निर्णयों को कैसे प्रभावित करता है और कानूनी निर्णय लेने वाले के रूप में LLMs को तैनात करने के निहितार्थों का आकलन किया गया है।
यह अध्ययन गणित ट्यूटरिंग लॉग का विश्लेषण करने के लिए अप्रीओरी (Apriori) एल्गोरिदम का उपयोग करता है, जो यह प्रकट करता है कि सीखी गई लाचारी (learned helplessness) के स्तर व्यवहारिक पैटर्न को महत्वपूर्ण रूप से प्रभावित करते हैं, जहाँ उच्च-लाचारी वाले छात्र बिना संकेत के समस्याओं को छोड़ने और अनसुलझे परिणामों के बीच मजबूत जुड़ाव प्रदर्शित करते हैं, जबकि निम्न-लाचारी वाले छात्र दृढ़ता, संकेतों के उपयोग और सफल समस्या समाधान के बीच अधिक सकारात्मक संबंध प्रदर्शित करते हैं।