27120 पेपर
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।
यह अध्ययन दर्शाता है कि लार्ज लैंग्वेज मॉडल्स, ज़ीरो-शॉट और फ्यू-शॉट प्रॉम्प्टिंग रणनीतियों का उपयोग करते हुए, उन ऐतिहासिक ग्रंथों के लिए नेमड एंटिटी रिकग्निशन (Named Entity Recognition) हेतु एक व्यवहार्य और कुशल विकल्प प्रदान करते हैं जहाँ एनोटेटेड ट्रेनिंग डेटा की कमी है, जो पूरी तरह से सुपरवाइज्ड मॉडल्स से पीछे रहने के बावजूद भी उचित रूप से मजबूत प्रदर्शन प्राप्त करते हैं।
यह शोध पत्र Sparse MERIT का प्रस्ताव करता है, जो एक मल्टी-टास्क लर्निंग फ्रेमवर्क है जो डायनेमिक फ्रेम-वाइज गेटिंग के साथ एक स्पार्स मिक्सचर-ऑफ-एक्सपर्ट्स आर्किटेक्चर का उपयोग करता है ताकि चुनौतीपूर्ण शोर वाली स्थितियों में टास्क संघर्षों को प्रभावी ढंग से हल किया जा सके और स्पीच एन्हांसमेंट एवं रोबस्ट इमोशन रिकग्निशन दोनों के प्रदर्शन में महत्वपूर्ण सुधार किया जा सके।
यह शोध पत्र निर्देश-ट्यून किए गए बड़े भाषा मॉडलों (large language models) में इनकार (refusal) के आंतरिक तंत्र की जांच करता है, जिसमें विशिष्ट लेटेंट फीचर्स (latent features) को पहचानने और उन्हें हटाने (ablate करने) के लिए स्पार्स ऑटोएनकोडर्स (sparse autoencoders) को प्रशिक्षित किया गया है जो मॉडल को इनकार से अनुपालन (compliance) की ओर कारणवश बदल देते हैं, जिससे जेलब्रेकिंग के लिए एक बहु-चरणीय पाइपलाइन का खुलासा होता है और रेडंडेंट सुरक्षा फीचर्स (redundant safety features) के अस्तित्व पर प्रकाश पड़ता है।