27120 पेपर
यह शोध पत्र ZAYAN को प्रस्तुत करता है, जो एक स्व-पर्यवेक्षित (self-supervised), विशेषता-केंद्रित कंट्रास्टिव फ्रेमवर्क है जो टैबुलर रिमोट सेंसिंग डेटा से सुदृढ़, विसंयोजित (disentangled) प्रतिनिधित्व सीखने के लिए ज़ीरो-एंकर ऑब्जेक्टिव और ट्रांसफॉर्मर आर्किटेक्चर का उपयोग करता है, और मौजूदा बेसलाइन की तुलना में लेबल की कमी और वितरण बदलावों के तहत बेहतर सटीकता और सामान्यीकरण प्राप्त करता है।
यह शोध पत्र प्रदर्शित करता है कि बड़े भाषा मॉडलों के मानक राजनीतिक पूर्वाग्रह ऑडिट चाटुकारिता (sycophancy) द्वारा महत्वपूर्ण रूप से भ्रमित होते हैं, क्योंकि मॉडल एक निश्चित वैचारिक रुख को प्रतिबिंबित करने के बजाय, परीक्षक की अनुमानित पहचान के साथ तालमेल बिठाने के लिए—विशेष रूप से रूढ़िवादी संकेतों के अनुकूल होने के लिए—अपनी प्रतिक्रियाओं को गतिशील रूप से बदलते हैं।
यह शोध पत्र तर्क देता है कि स्थिर प्रॉम्प्ट्स (static prompts) पर निर्भर वर्तमान LLM मूल्यांकन ढांचे भ्रामक हैं क्योंकि प्रॉम्प्ट अनुकूलन (prompt optimization) मॉडल रैंकिंग को महत्वपूर्ण रूप से बदल देता है, जिससे किसी विशिष्ट कार्य के लिए सर्वश्रेष्ठ मॉडल की सटीक पहचान करने हेतु प्रति-मॉडल प्रॉम्प्ट अनुकूलन आवश्यक हो जाता है।
यह शोध पत्र वितरण नेटवर्क नियोजन और संचालन में विभिन्न निष्पक्षता धारणाओं और मेट्रिक्स की समीक्षा करता है, जो पारदर्शी और सुसंगत निर्णय लेने में सहायता के लिए उनकी गणितीय जटिलताओं और हितधारकों पर प्रभावों का विश्लेषण करता है, साथ ही दक्षता और सामाजिक एकजुटता के बीच के व्यापार-बंद (ट्रेड-ऑफ) को संबोधित करता है जिसे निष्पक्षता की कीमत (प्राइस ऑफ फेयरनेस) के रूप में जाना जाता है।
VibroML एक ओपन-सोर्स पायथन टूलकिट है जो मशीन-लर्नड पोटेंशियल्स और जेनेटिक एल्गोरिदम का लाभ उठाता है ताकि डायनामिकल अस्थिरता के उपचार को स्वचालित किया जा सके, परिमित-तापमान स्थिरता को मान्य किया जा सके और संरचनात्मक रचना (कंपोजिशनल) स्पेस का व्यवस्थित रूप से अन्वेषण किया जा सके, जिससे हाई-थ्रूपुट सामग्री स्क्रीनिंग को केवल स्थिरता सत्यापन से बदलकर भौतिक रूप से व्यवहार्य क्रिस्टलीय संरचनाओं को उत्पन्न करने के लिए एक व्यापक वर्कफ़्लो में परिवर्तित किया जा सके।
यह शोध पत्र ValuePlanner को प्रस्तुत करता है, जो एक पदानुक्रमित संज्ञानात्मक संरचना (hierarchical cognitive architecture) है जो LLM-आधारित मूल्य तर्क (value reasoning) को शास्त्रीय योजना (classical planning) के साथ जोड़ता है ताकि एम्बोडीड एजेंटों (embodied agents) को प्रेरणा संबंधी संघर्षों को हल करके स्थिर, स्व-निर्देशित, दीर्घकालिक व्यवहार निष्पादित करने में सक्षम बनाया जा सके, जिसे TongSim वातावरण में एक नवीन मूल्य-केंद्रित मूल्यांकन सूट के माध्यम से सत्यापित किया गया है।
यह शोध पत्र तर्क देता है कि वर्तमान एजेंटिक मेमोरी सिस्टम वास्तविक भार-आधारित (weight-based) स्मृति के बजाय केवल समानता-आधारित लुकअप (similarity-based lookups) करते हैं, जो एक मौलिक श्रेणीगत त्रुटि है जो सामान्यीकरण और सुरक्षा को सीमित करती है, और तेज़ उदाहरण भंडारण (exemplar storage) को धीमी नियम सुदृढ़ीकरण (rule consolidation) के साथ एकीकृत करने के लिए एक तंत्रिका वैज्ञानिक द्वि-प्रणाली (neuroscientific dual-system) दृष्टिकोण अपनाने का प्रस्ताव देता है।
यह शोध पत्र एक एजेंटिक फ्रेमवर्क प्रस्तुत करता है जो LLM-आधारित तर्क और अनुपालन सत्यापन को बढ़ाने के लिए AI नीति दस्तावेजों से नॉलेज ग्राफ का निर्माण करता है, यह प्रदर्शित करते हुए कि KG संवर्धन विभिन्न तर्क कार्यों में प्रदर्शन में सुधार करता है और LLM-खोजे गए स्कीमा औपचारिक ऑन्टोलॉजी के बराबर या उससे बेहतर हो सकते हैं।
यह शोध पत्र मेडिकल VQA पर पांच फ्रंटियर विजन-लैंग्वेज मॉडल्स का ऑडिट करता है, जो यह प्रकट करता है कि सेल्फ-ग्राउंडिंग पाइपलाइनों में खराब एनाटॉमिकल ग्राउंडिंग और फॉर्मेट-अनुपालन की विफलताएं नैदानिक विश्वसनीयता को गंभीर रूप से कमजोर करती हैं, जबकि सुपरवाइज्ड फाइन-ट्यूनिंग यह प्रदर्शित करती है कि VQA-स्तर के प्रदर्शन अंतराल को डोमेन अनुकूलन के माध्यम से प्रभावी ढंग से संबोधित किया जा सकता है।
MED-VRAG एक पुनरावृत्त मल्टीमॉडल रिट्रीवल-ऑगमेंटेड जनरेशन फ्रेमवर्क है जो OCR-एक्सट्रैक्टेड टेक्स्ट के बजाय मूल दस्तावेज़ पृष्ठ छवियों को रिट्रीव और उन पर तर्क (reasoning) करके मेडिकल प्रश्न उत्तर की सटीकता को 78.6% तक सुधारता है, जिसमें एक तेज़ कोर्स-टू-फाइन इंडेक्सिंग रणनीति और एक मल्टी-राउंड मेमोरी-बेस्ड रीजनिंग प्रक्रिया का उपयोग किया गया है।