26898 पेपर
यह शोध पत्र AIMEN को प्रस्तुत करता है, जो एक डीप लर्निंग फ्रेमवर्क है जो डेटा ऑग्मेंटेशन के लिए CTGAN और न्यूरल नेटवर्क के एक एंसेम्बल का उपयोग करता है ताकि प्रसव के दौरान नैदानिक निर्णय लेने में सहायता के लिए सटीक, व्याख्यात्मक काउंटरफैक्चुअल स्पष्टीकरण प्रदान करते हुए उच्च सटीकता के साथ प्रतिकूल नवजात परिणामों की भविष्यवाणी की जा सके।
यह शोध पत्र बेयसियन इनवर्स ट्रांज़िशन लर्निंग (Bayesian Inverse Transition Learning) का प्रस्ताव करता है, जो एक नवीन बाधा-आधारित विधि है जो ट्रांज़िशन डायनेमिक्स का अनुमान लगाने और ऑफलाइन मॉडल-आधारित सुदृढीकरण सीखने (offline model-based reinforcement learning) में निर्णय लेने में सुधार करने के लिए विशेषज्ञ प्रक्षेप पथों (expert trajectories) की निकट-इष्टतमता का लाभ उठाती है, विशेष रूप से आईसीयू हाइपोटेंशन प्रबंधन जैसे डेटा-दुर्लभ स्वास्थ्य सेवा परिदृश्यों में।
वेल-इनिशियलाइज़्ड लॉटरी टिकट हाइपोथेसिस से प्रेरित होकर, यह शोध पत्र सॉफ्ट-ट्रांसफॉर्मर (Soft-TF) पेश करता है, जो एक पैरामीटर-कुशल निरंतर शिक्षण (continual learning) ढांचा है जो एक फ्रोजन प्री-ट्रेन्ड ट्रांसफॉर्मर के सेल्फ-अटेंशन प्रोजेक्शन्स पर सॉफ्ट, रियल-वैल्यूड मल्टीप्लिकेटिव मास्क के साथ एक ड्यूल-प्रॉम्ट मैकेनिज्म का उपयोग करता है ताकि कैटास्ट्रोफिक फॉरगेटिंग को प्रभावी ढंग से कम करते हुए अत्याधुनिक प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र एक नवीन वीडियो रिट्रीवल सिस्टम का प्रस्ताव करता है जो अधिक सटीक क्वेरी परिणामों के लिए उच्च-स्तरीय, अमूर्त अंतर्दृष्टि और अंतर्निहित अर्थों को कैप्चर करने हेतु कई वीडियो फ्रेमों से मल्टीमॉडल डेटा को एकीकृत करके एकल-फ्रेम विश्लेषण की सीमाओं को दूर करता है।
यह शोध पत्र एक नवीन एल्गोरिदम प्रस्तुत करता है जो सीटी (CT) या एमआर (MR) डेटा से 3D आयतन की कुशल और सटीक गणना करने में सक्षम बनाने के लिए मल्टीवेरिएट कैलकुलस (multivariate calculus), मार्चिंग क्यूब विधि (marching cube method) और एक 3D बाइनरी इंडेक्स्ड ट्री (3D Binary Indexed Tree/Fenney tree) को एकीकृत करता है, जो विभिन्न शारीरिक संरचनाओं में के विचलन के साथ उच्च सटीकता प्राप्त करता है।
यद्यपि लार्ज लैंग्वेज मॉडल्स इवेंट डिटेक्शन कार्यों के लिए स्वतंत्र एनोटेटर्स के रूप में पर्याप्त विश्वसनीय नहीं हैं, फिर भी वे प्रभावी सहायकों के रूप में कार्य करते हैं जो मानव विशेषज्ञों द्वारा इवेंट सेट क्यूरेट करने और वेरिएबल्स को एनोटेट करने के लिए आवश्यक समय और मानसिक प्रयास को काफी कम कर देते हैं।
यह सर्वेक्षण व्यापक रूप से इस बात की जांच करता है कि कैसे लार्ज लैंग्वेज मॉडल्स (LLMs) प्रॉम्पटिंग, फाइन-ट्यूनिंग और प्रेफरेंस ऑप्टिमाइज़ेशन जैसी विविध रणनीतियों के माध्यम से मशीन ट्रांसलेशन को रूपांतरित कर रहे हैं, जिसमें विशेष रूप से लो-रिसोर्स परिदृश्यों, डॉक्यूमेंट-लेवल संदर्भों और मूल्यांकन चुनौतियों पर ध्यान केंद्रित किया गया है, जो अंततः LLM-आधारित MT को केवल स्केल के बजाय डेटा गुणवत्ता और अलाइनमेंट द्वारा संचालित एक विकास के रूप में रूपरेखा प्रस्तुत करता है।
यह व्यवस्थित समीक्षा अत्याधुनिक एआई-आधारित 3D रेडियोलॉजिकल इमेज रिकंस्ट्रक्शन एल्गोरिदम को चार प्रतिनिधित्व परिवारों में वर्गीकृत करती है, उनके अंतर्संबंधों को स्पष्ट करती है, और इस क्षेत्र में मूल्यांकन मेट्रिक्स, डेटासेट, चुनौतियों और भविष्य की दिशाओं का सारांश प्रस्तुत करती है।
यह अध्ययन WISCA प्रस्तुत करता है, जो एक नवीन सर्वसम्मति-आधारित ढांचा (consensus-based framework) है जो क्लास प्रोबेबिलिटीज और नॉर्मलाइज्ड एट्रिब्यूशन वैल्यूज को एकीकृत करके टैबुलर डेटासेट्स के लिए परस्पर विरोधी व्याख्यात्मक स्पष्टीकरणों (interpretability explanations) में सामंजस्य स्थापित करता है, जिससे विविध मशीन लर्निंग मॉडल्स में स्पष्टीकरणों की विश्वसनीयता में सुधार होता है।
यह अध्ययन प्रकट करता है कि प्रश्नों का प्रारूप, जिसमें विकल्पों की संख्या और विशिष्ट शब्दावली शामिल है, तर्क संबंधी कार्यों पर लार्ज लैंग्वेज मॉडल के प्रदर्शन को महत्वपूर्ण रूप से प्रभावित करता है, जिससे अक्सर तर्क के चरणों की सटीकता और अंतिम उत्तर की शुद्धता के बीच एक विसंगति उत्पन्न होती है।