27120 पेपर
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।
यह शोध पत्र 'कोड ब्रोकर' (Code Broker) प्रस्तुत करता है, जो गूगल के 'एजेंट डेवलपमेंट किट' (Agent Development Kit) के साथ निर्मित एक मल्टी-एजेंट सिस्टम है, जो पायथन रिपॉजिटरीज़ के लिए कार्रवाई योग्य, बहु-आयामी कोड गुणवत्ता रिपोर्ट उत्पन्न करने के लिए विशिष्ट एलएलएम-आधारित (LLM-based) और स्टैटिक-एनालिसिस एजेंटों को ऑर्केस्ट्रेट करता है, जबकि यह डेवलपर-उन्मुख फीडबैक प्रदान करने में इसकी प्रभावशीलता और मूल्यांकन की गहराई एवं स्केलेबिलिटी में वर्तमान सीमाओं को भी रेखांकित करता है।
यह शोध पत्र असंरचित बीमा अनुबंधों से स्वचालित ऑन्टोलॉजी जनरेशन के लिए सिंगल-एजेंट बेसलाइन की तुलना में एक मल्टी-एजेंट एलएलएम (LLM) आर्किटेक्चर की प्रभावशीलता की जांच करता है, जिसमें यह पाया गया है कि प्लानिंग-फर्स्ट, रोल-बेस्ड दृष्टिकोण संरचनात्मक गुणवत्ता और ऑडिटेबिलिटी में महत्वपूर्ण सुधार करता है।
ProEval एक प्रोएक्टिव इवैल्यूएशन फ्रेमवर्क है जो जनरेटिव एआई के प्रदर्शन का कुशलतापूर्वक अनुमान लगाने और पारंपरिक तरीकों की तुलना में काफी कम नमूनों के साथ विविध विफलता के मामलों को खोजने के लिए प्री-ट्रेन्ड गॉसियन प्रोसेस और बायेसियन क्वाड्रचर का उपयोग करता है।
MOSAIC एक प्रशिक्षण-मुक्त, मल्टी-एजेंट फ्रेमवर्क है जिसे वैज्ञानिक कोड जनरेशन के लिए डिज़ाइन किया गया है जो स्टूडेंट-टीचर नॉलेज डिस्टिलेशन दृष्टिकोण और रीजनिंग निरंतरता एवं संख्यात्मक सटीकता सुनिश्चित करने के लिए एक कंसोलिडेटेड कॉन्टेक्स्ट विंडो का उपयोग करके I/O टेस्ट केसों की कमी को दूर करता है।
स्पार्स ऑटोएनकोडर्स (SAEs) का उपयोग करके अवधारणा-संरेखित फीचर उपसमूहों (concept-aligned feature subgroups) की पहचान करने और उन्हें नियंत्रित करने के माध्यम से, यह अध्ययन प्रदर्शित करता है कि Gemma-2-2B में जेलब्रेक कमजोरियां मध्य-से-विलंबित परतों (mid-to-late layers) में विशिष्ट फीचर उपसमूहों के भीतर स्थित हैं, जो यह सुझाव देता है कि प्रॉम्प्ट-आधारित रक्षा उपायों की तुलना में लेयर-वाइज फीचर हस्तक्षेप (layer-wise feature intervention) मजबूती के लिए अधिक प्रभावी हो सकता है।
यह शोध पत्र एक हाइब्रिड डीप लर्निंग मॉडल प्रस्तावित करता है जो स्थानीय और वैश्विक विशेषताओं को गतिशील रूप से संलयित करने के लिए एक एडेप्टिव अटेंशन गेट का उपयोग करके SqueezeNet-शैली के CNN को MobileViT-शैली के ट्रांसफार्मर के साथ एकीकृत करता है, जिससे ब्रेन ट्यूमर एमआरआई वर्गीकरण में उच्च सटीकता प्राप्त होती है।