25400 पेपर
यह शोध पत्र तर्क देता है कि क्योंकि एआई ने "सक्षम दिखने वाले" निर्णय के उत्पादन की लागत को कम कर दिया है, पारंपरिक संस्थान (जैसे न्यायालय और विधायिका) मौलिक रूप से चुनौती दिए जा रहे हैं, जिससे संस्थागत पुनर्रचना, सत्यापन साझा संसाधनों (वेरिफिकेशन कॉमन्स) के निर्माण, और प्रत्यायोजित संज्ञा (डेलीगेटेड कॉग्निशन) के प्रबंधन के लिए नए ढांचों की ओर नीतिगत बदलाव की आवश्यकता है।
यह शोध पत्र प्रदर्शित करता है कि मल्टी-एजेंट एलएलएम (LLM) मूल्यांकन पाइपलाइनों में आंशिक गुमनामी (partial anonymization), महत्वपूर्ण पहचान-संचालित चापलूसी (identity-driven sycophancy) को छिपा सकती है, और यह निष्कर्ष निकालता है कि पीयर आइडेंटिटी बायस (peer identity bias) को विश्वसनीय रूप से कम करने और प्रकट करने के लिए केवल पूर्ण-पाइपलाइन गुमनामी और विषम मॉडल एन्सेम्बल (heterogeneous model ensembles) ही सक्षम हैं।
यह शोधपत्र वाई-फाई आधारित मानव गतिविधि पहचान के लिए एक नवीन पाइपलाइन प्रस्तावित करता है जो उच्च-आयामी कच्चे CSI संकेतों को एक कैटेगोरिकल वेरिएशनल ऑटोएनकोडर के माध्यम से असतत लेटेंट प्रक्षेपवक्रों (latent trajectories) में परिवर्तित करता है, और तत्पश्चात एक प्रतीकात्मक, नियंत्रणीय और पारदर्शी वर्गीकरण प्रक्रिया को सक्षम करने के लिए कारण खोज (causal discovery) के माध्यम से व्याख्या योग्य लीनियर टेम्पोरल लॉजिक (LTL) नियमों को निकालता है।
यह सर्वेक्षण तर्क देता है कि विजन-लैंग्वेज-एक्शन (VLA) मॉडलों का भविष्य डेटा इंफ्रास्ट्रक्चर—विशेष रूप से डेटासेट, बेंचमार्क और डेटा इंजन—को स्केलेबिलिटी, सामान्यीकरण और भौतिक ग्राउंडिंग में वर्तमान सीमाओं को दूर करने के लिए एक प्राथमिक अनुसंधान प्राथमिकता के रूप में मानने पर निर्भर करता है।
यह शोध पत्र **FormalScience** को प्रस्तुत करता है, जो एक मानव-इन-द-लूप एजेंटिक पाइपलाइन है जिसे डोमेन विशेषज्ञों को वैज्ञानिक तर्क को Lean4 कोड में कुशलतापूर्वक ऑटोफॉर्मलाइज़ करने में मदद करने के लिए डिज़ाइन किया गया है, जिसे विश्वविद्यालय स्तर की भौतिकी की समस्याओं के एक उच्च-गुणवत्ता वाले डेटासेट, **FormalPhysics** के निर्माण के माध्यम से प्रदर्शित किया गया है जो LLM-आधारित फॉर्मलाइज़ेशन में सिमेंटिक ड्रिफ्ट (semantic drift) का एक व्यवस्थित विश्लेषण प्रदान करता है।
AmaraSpatial-10K 10,000 से अधिक उच्च-गुणवत्ता वाले, डिप्लॉयमेंट के लिए तैयार 3D एसेट्स का एक नया डेटासेट है जिसमें मानकीकृत मीट्रिक स्केल, सिमेंटिक मेटाडेटा और भौतिक गुण शामिल हैं, जिन्हें विशेष रूप से एम्बॉडीड एआई (embodied AI), रोबोटिक्स सिमुलेशन और स्थानिक कंप्यूटिंग (spatial computing) को समर्थन देने के लिए डिज़ाइन किया गया है।
यह शोध पत्र बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) को अवलोकन योग्य प्रणालियों के रूप में मानते हुए, मूल्यांकन, व्याख्यात्मकता और त्रुटि विश्लेषण को एकीकृत करके, उन्हें पुनरावृत्ति परिशोधन और अधिक विश्वसनीय परिनियोजन के सक्षम बनाने हेतु एक संरचित, मॉडल-अज्ञेय (मॉडल-अग्नोस्टिक) ढांचे का प्रस्ताव करता है।
DeepImagine एक ऐसा फ्रेमवर्क है जो बड़े भाषा मॉडलों (large language models) को विभिन्न प्रयोगात्मक विक्षोभों (experimental perturbations) के तहत नैदानिक परीक्षण परिणामों (clinical trial outcomes) में होने वाले परिवर्तनों की भविष्यवाणी करने के लिए प्रशिक्षित करके उन्हें बायोमेडिकल तर्क सिखाता है, जो काउंटरफैक्चुअल पेयर्स (counterfactual pairs) पर सुपरवाइज्ड फाइन-ट्यूनिंग, सुदृढीकरण शिक्षण (reinforcement learning) और सिंथेटिक रीजनिंग ट्रेसेस (synthetic reasoning traces) के संयोजन के माध्यम से किया जाता है।
यह शोध पत्र "K-Score" का प्रस्ताव करता है, जो पारंपरिक रिवॉर्ड नॉर्मलाइजेशन (reward normalization) के स्थान पर पॉलिसी ग्रेडिएंट सुदृढीकरण शिक्षण (policy gradient reinforcement learning) में 1D कलमन फ़िल्टर (1D Kalman filter) का उपयोग करके रिवॉर्ड माध्य (reward means) का पुनरावर्ती अनुमान लगाता है, जिससे गैर-स्थिर वातावरण (non-stationary environments) में विचरण (variance) कम होता है और अभिसरण (convergence) में तेजी आती है।
यह अध्ययन सीएनएन (CNN) और ट्रांसफार्मर मॉडलों के संयोजन द्वारा व्याख्या योग्य डायबिटिक रेटिनोपैथी ग्रेडिंग के लिए एक कार्यप्रणाली प्रस्तावित करता है और विज़ुअल एट्रिब्यूशन मैप्स तथा विज़न-लैंग्वेज मॉडल द्वारा जनरेट किए गए टेक्स्टुअल तर्क के माध्यम से नैदानिक उपयोगिता को बढ़ाता है।