25416 पेपर
MONET एक नया मल्टी-टास्क ऑप्टिमाइज़ेशन एल्गोरिदम है जो कार्य स्थानों (task spaces) को ग्राफ के रूप में मॉडल करता है ताकि पड़ोसी कार्यों के बीच सामाजिक शिक्षण (social learning) और उत्परिवर्तन (mutation) के माध्यम से व्यक्तिगत परिशोधन के संयोजन द्वारा कुशल ज्ञान हस्तांतरण सक्षम किया जा सके, जो विभिन्न बड़े पैमाने के डोमेन में मौजूदा MAP-Elites-आधारित विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र एक दो-स्तरीय प्रमाणन ढांचे का प्रस्ताव करता है जो ज्ञान की गुणवत्ता के मूल्यांकन को मानवीय योगदान के मूल्यांकन से अलग करता है, जिससे शैक्षणिक प्रकाशनों को मानव भागीदारी के स्तर को ग्रेड देकर एआई-जनित अनुसंधान को पारदर्शी रूप से एकीकृत करने की अनुमति मिलती है।
यह शोध पत्र यह प्रदर्शित करता है कि LLM प्रॉम्प्ट संवेदनशीलता को "लेक्सिकल टास्क हेड्स" (lexical task heads) के सक्रियण स्तरों द्वारा समझाया जा सकता है—जो साझा आंतरिक तंत्र हैं जो इस बात पर निर्भर किए बिना कार्य का प्रतिनिधित्व करते हैं कि प्रॉम्प्ट निर्देशों का उपयोग करता है या उदाहरणों का—और प्रदर्शन की परिवर्तनशीलता इस बात से उत्पन्न होती है कि ये हेड्स प्रतिस्पर्धी प्रस्तुतियों (representations) द्वारा कितनी मजबूती से ट्रिगर या विरल (diluted) होते हैं।
यह शोध पत्र EgoMAGIC को प्रस्तुत करता है, जो एक बड़े पैमाने का एर्गोसेंट्रिक (egocentric) मेडिकल वीडियो डेटासेट है जिसे एक्शन डिटेक्शन, ऑब्जेक्ट आइडेंटिफिकेशन और एरर करेक्शन जैसे कार्यों के माध्यम से AR-एकीकृत वर्चुअल असिस्टेंट के विकास को समर्थन देने के लिए डिज़ाइन किया गया है।
H-Sets एक नवीन दो-चरणीय ढांचा है जो इनपुट हेसियन (Hessians) का उपयोग करके परस्पर क्रिया करने वाले पिक्सेल सेटों की पहचान करता है और अधिक निष्ठावान, सेट-स्तरीय सैलिएंसी स्पष्टीकरण प्रदान करने के लिए IDG-Vis का उपयोग करता है, जिससे इमेज क्लासिफायर में उच्च-क्रम की फीचर इंटरैक्शन की खोज और उनका निर्धारण किया जाता है।
CAT जावा प्रोजेक्ट्स के लिए एक नवीन LLM-आधारित टेस्ट जनरेशन दृष्टिकोण है जो कॉल-चेन और डिपेंडेंसी कॉन्टेक्स्ट को प्रॉम्प्ट्स में स्पष्ट रूप से शामिल करने के लिए स्टैटिक एनालिसिस का उपयोग करके कोड कवरेज में सुधार करता है।
यह शोध पत्र स्केलेबल पेशेंट-ट्रायल मैचिंग के लिए एक लाइटवेट फ्रेमवर्क का प्रस्ताव करता है जो लंबे EHRs से प्रासंगिक क्लिनिकल सेगमेंट निकालने के लिए रिट्रीवल-ऑगमेंटेड जनरेशन को LLM-आधारित मॉडलिंग और लाइटवेट प्रेडिक्टर्स के साथ जोड़ता है, जिससे काफी कम लागत पर कंप्यूटेशनल रूप से महंगे एंड-टू-एंड LLM दृष्टिकोणों के तुलनीय प्रदर्शन प्राप्त होता है।
GradsSharding ग्रेडिएंट टेंसरों को छोटे शार्ड्स में विभाजित करके सर्वरलेस प्लेटफॉर्म पर मनमाने रूप से बड़े फेडरेटेड लर्निंग मॉडल्स के एकत्रीकरण को सक्षम बनाता है, जिससे उन प्रति-फंक्शन मेमोरी सीमाओं पर काबू पाया जा सकता है जो मौजूदा आर्किटेक्चर को बाधित करती हैं।
यह शोध पत्र तर्क देता है कि एलएलएम-आधारित वैज्ञानिक एजेंटों को केवल विश्वसनीय लेकिन अपुष्ट आख्यान उत्पन्न करने से रोकने के लिए, उन्हें ऐसे उपकरणों से परिवर्तित किया जाना चाहिए जो सम्मोहक दावे गढ़ने के बजाय उन दावों को गलत सिद्ध करने के लिए डिज़ाइन किए गए प्रतिकूल प्रयोगों को प्राथमिकता देते हैं।
यह शोध पत्र यह प्रदर्शित करता है कि कमजोर प्रदर्शनों (weak demonstrations) पर सुपरवाइज्ड फाइन-ट्यूनिंग को सुदृढीकरण शिक्षण (reinforcement learning) के साथ संयोजित करना एलएलएम (LLMs) में "सैंडबैगिंग" व्यवहार को प्रभावी ढंग से कम कर सकता है, बशर्ते कि प्रशिक्षण प्रक्रिया वास्तविक तैनाती (actual deployment) के समान हो।