25400 पेपर
यह शोध पत्र **सेलेक्टिव कॉन्फॉर्मल रिस्क कंट्रोल (SCRC)** का प्रस्ताव करता है, जो एक एकीकृत ढांचा है जो संक्षिप्त और विश्वसनीय प्रेडिक्शन सेट्स (prediction sets) उत्पन्न करने के लिए सेलेक्टिव क्लासिफिकेशन को कॉन्फॉर्मल प्रेडिक्शन के साथ जोड़ता है, जो पहले आत्मविश्वासी नमूनों का चयन करता है और फिर चयनित उपसमूह पर रिस्क कंट्रोल लागू करता है।
यह शोध पत्र StructBioReasoner को प्रस्तुत करता है, जो एक स्केलेबल मल्टी-एजेंट सिस्टम है जो "अनड्रगेबल" (undruggable) इंट्रिन्सिकली डिसऑर्डर्ड प्रोटीन्स (IDPs) को लक्षित करने वाले उच्च-एफिनिटी बायोलॉजिक्स को स्वायत्त रूप से डिजाइन करने के लिए एक टूर्नामेंट-आधारित रीजनिंग फ्रेमवर्क और फेडरेटेड मिडलवेयर का उपयोग करता है।
यह शोध पत्र इस बात को स्पष्ट करते हुए कि सिस्टम का प्रदर्शन ऊर्जा अस्थिरता (energy volatility) द्वारा कैसे सीमित होता है, लार्ज रीजनिंग मॉडल्स (LRMs) के लिए ऊर्जा-जागरूक रूटिंग हेतु एक सैद्धांतिक ढांचा प्रस्तावित करता है और स्केलिंग लॉज़ (scaling laws) पर आधारित वेरिएंस-अवेयर डिस्पैच नीतियों के लिए एक आधार प्रदान करता है।
SCRIBE एक सुदृढीकरण शिक्षण (reinforcement learning) ढांचा है जो कौशल-सशर्त पुरस्कार मॉडलों (skill-conditioned reward models) के माध्यम से संरचित, मध्य-स्तरीय पर्यवेक्षण पेश करके टूल-उपयोग करने वाले भाषा मॉडलों को उन्नत करता है, जो रिवॉर्ड वेरिएन्स (reward variance) को कम करके और कौशल महारत से उच्च-स्तरीय योजना तक एक स्पष्ट प्रगति स्थापित करके तर्क की सटीकता और मल्टी-टर्न टूल इंटरेक्शन की सफलता में महत्वपूर्ण सुधार करता है।
यह शोध पत्र CURE-MED को प्रस्तुत करता है, जो एक पाठ्यक्रम-सूचित सुदृढीकरण शिक्षण (curriculum-informed reinforcement learning) ढांचा है और नए बहुभाषी CUREMED-BENCH डेटासेट द्वारा समर्थित है, जो विश्वसनीय चिकित्सा तर्क के लिए तेरह विविध भाषाओं में बड़े भाषा मॉडलों की तार्किक शुद्धता और भाषाई स्थिरता को महत्वपूर्ण रूप से बढ़ाता है।
यह शोधपत्र अथाনর (Athanor) को प्रस्तुत करता है, जो एक नवीन प्रणाली है जो मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स और प्राकृतिक भाषा निर्देशों का लाभ उठाकर मौजूदा स्थिर विज़ुअलाइज़ेशन को बिना प्रोग्रामिंग या मूल सोर्स कोड तक पहुँच के इंटरैक्टिव में बदल देती है।
मिररमार्क (MirrorMark) लार्ज लैंग्वेज मॉडल्स के लिए एक नवीन मल्टी-बिट वॉटरमार्किंग तकनीक है जो टोकन संभाव्यता वितरण (token probability distribution) को विकृत किए बिना सुदृढ़, पता लगाने योग्य संदेशों को समाहित करती है, जिससे टेक्स्ट की गुणवत्ता सुरक्षित रहती है और साथ ही सटीकता एवं डिटेक्शन दरों में मौजूदा विधियों से काफी बेहतर प्रदर्शन करती है।
19 ज्ञान श्रमिकों (knowledge workers) के साक्षात्कार के आधार पर, यह शोध पत्र प्रकट करता है कि जहाँ कार्यस्थल की सामाजिक गतिशीलता GenAI सीखने में सहायता करती है, वहीं यह धारणा कि AI के उपयोग को छिपाना विशेषज्ञता को प्रमाणित करता है, ज्ञान साझा करने और पारदर्शिता को कम करने का कारण बनती है, जो AI साक्षरता को आगे बढ़ाने के लिए अधिक खुले संवाद और सहयोगात्मक शिक्षण का आह्वान करती है।
SEAM एक हल्का, प्लग-इन मॉड्यूल है जो अपने स्वयं के मापदंडों के भीतर अनुभव को संग्रहीत करता है और एक ही फॉरवर्ड पास में फ्रोजन (frozen) LLMs के लिए संरचित, उपयोगिता-अनुकूलित मार्गदर्शन उत्पन्न करता है, जिससे पारंपरिक रिट्रीवल-आधारित विधियों की विलंबता या शोर के बिना तर्क प्रदर्शन में सुधार होता है।
यह शोध पत्र एक उद्योग सर्वेक्षण और छात्र-केंद्रित कैप्चर द फ्लैग चुनौतियों को संयोजित करने वाले एक दोहरे अध्ययन को प्रस्तुत करता है ताकि साइबर सुरक्षा शिक्षा और एडवरसरियल मशीन लर्निंग जागरूकता के बीच के संबंध को प्रदर्शित किया जा सके, जो अंततः मशीन लर्निंग पाठ्यक्रमों में सुरक्षा अवधारणाओं के एकीकरण का समर्थन करता है।