19742 पेपर
यह शोध पत्र ABOPD को प्रस्तुत करता है, जो एक एंटीबॉडी CDR डिज़ाइन फ्रेमवर्क है जो मॉडल-जनरेटेड ट्रेजेक्टरीज (trajectories) को सुपरवाइज़ करने के लिए प्रिविलेज्ड नेटिव ज्योमेट्री (privileged native geometry) के साथ ऑन-पॉलिसी डिस्टिलेशन (on-policy distillation) का उपयोग करता है, जिससे मानक विधियों की तुलना में CDR-H3 लूप जनरेशन में स्ट्रक्चरल रिकवरी में महत्वपूर्ण सुधार होता है और RMSD कम होता है।
यह शोध पत्र RAMP को प्रस्तुत करता है, जो एक नवीन अनसुपरवाइज्ड लर्निंग विधि है जो जटिल उच्च-आयामी डेटा के लिए अभिव्यंजक मॉडलों में लेटेंट-वैरिएबल वितरणों को कुशलतापूर्वक पुनः प्राप्त करने के लिए एक लचीले, नॉनलीनियर, एमोर्टाइज्ड मैसेज-पासिंग फ्रेमवर्क का लाभ उठाता है, जो पारंपरिक संभाव्य दृष्टिकोणों की स्केलेबिलिटी और ट्रैक्टेबिलिटी सीमाओं को दूर करता है।
स्ट्रक्चरल इक्वेशन मॉडलिंग का उपयोग करने वाले 3,915 उत्तरदाताओं के इस अध्ययन से पता चलता है कि एआई-संचालित स्वास्थ्य देखभाल निर्णय लेने की उपयोगिता, जोखिम और निष्पक्षता के संबंध में सार्वजनिक धारणाएं, स्वयं तकनीक में विश्वास के बजाय, मानव चिकित्सकों में विश्वास, तकनीकी परिचितता और संवादात्मक एजेंटों के उपयोग द्वारा मुख्य रूप से आकार लेती हैं।
ब्लैक-मांबा (Black-Mamba) एक जैविक रूप से प्रेरित, टेस्ट-टाइम एडेप्टिव फोरकास्टिंग मॉडल है जो निरंतर त्रुटि-संचालित अपडेट के स्थान पर एक चयनात्मक, इवेंट-ड्रिवन मेमोरी मैकेनिज्म का उपयोग करके वितरण ड्रिफ्ट (distribution drift) के तहत दक्षता और मजबूती में सुधार करता है, जो केवल तभी सक्रिय होता है जब टेम्पोरल रूप से संचित सरप्राइज़ल (surprisal) एक वास्तविक रिजीम परिवर्तन का संकेत देता है।
यह शोध पत्र एक दोहरी प्रतिकूल फाइन-ट्यूनिंग (dual adversarial fine-tuning) रूपरेखा प्रस्तावित करता है जो विज़ुअल और सिमेंटिक सुपरविजन संकेतों को संयुक्त रूप से अनुकूलित करता है ताकि बिना किसी आर्किटेक्चर संशोधन या कार्य-विशिष्ट पुनप्रशिक्षण के, प्रतिकूल हमलों (adversarial attacks) के विरुद्ध लार्ज विजन-लैंग्वेज मॉडल्स की मजबूती और क्रॉस-टास्क सामान्यीकरण क्षमता को महत्वपूर्ण रूप से बढ़ाया जा सके।
यह शोध पत्र लो-डेटा न्यूरल सिस्टम आइडेंटिफिकेशन कार्यों में कैलिब्रेटेड अनसर्टेन्टी क्वांटिफिकेशन और रोबस्ट परफॉरमेंस प्राप्त करने के लिए एमोर्टाइज्ड वेरिएशनल इन्फरेंस और लैप्लेस एप्रोक्सिमेशन का उपयोग करते हुए मैनिफोल्ड मेटा-लर्निंग फ्रेमवर्क का एक पूर्णतः प्रोबेबिलिस्टिक विस्तार प्रस्तावित करता है।
यह शोध पत्र "Skillware" प्रस्तुत करता है, जो एक सॉफ्टवेयर ऑन्टोलॉजी और इंजीनियरिंग लाइफसाइकिल है जो निरंतर एजेंट कौशल (persistent agent skills) को पारंपरिक सॉफ्टवेयर इंजीनियरिंग से अलग एक औपचारिक पहचान, जीवनचक्र निरंतरता और निष्पादन संबंध स्थापित करके स्वतंत्र, रखरखाव योग्य और विकसित होने योग्य सॉफ्टवेयर आर्टिफैक्ट्स के रूप में पुनर्व्याख्या करता है।
यह शोध पत्र "फ्यूचर-फीडबैक स्किल इवोल्यूशन" (future-feedback skill evolution) का प्रस्ताव करता है, जो ओपन-एंडेड संवाद प्रतिक्रियाओं के मूल्यांकन की चुनौती को एक सत्यापन योग्य ऑफलाइन प्रेडिक्शन टास्क में परिवर्तित करता है, जिसमें मॉडल्स को यह पूर्वानुमान लगाने के लिए प्रशिक्षित किया जाता है कि क्या एक दी गई प्रतिक्रिया सकारात्मक या नकारात्मक आगामी उपयोगकर्ता संकेतों की ओर ले जाएगी, जिससे लाइव ट्रैफिक टेस्टिंग की आवश्यकता के बिना पुनरुत्पादक स्व-विकास (self-evolution) सक्षम हो जाता है।
यह शोध पत्र Mi-Memory को प्रस्तुत करता है, जो पर्सनल एआई के लिए एक लाइफसाइकिल मेमोरी फ्रेमवर्क है जो मेमोरी मैनेजमेंट को चार भूमिकाओं (स्ट्रक्चर, एक्सपेंशन, इवोल्यूशन और डिप्लॉयमेंट) में व्यवस्थित करता है, जो विविध उपकरणों पर टिकाऊ, साक्ष्य-शासित और डिप्लॉय करने योग्य निरंतरता सुनिश्चित करने के लिए एक साझा ऑडिट कॉन्ट्रैक्ट से जुड़े हुए हैं।
ऑटोजर्न (AutoJourn) एक प्रदर्शन प्रणाली है जो प्रॉम्प्ट इंजीनियरिंग, रिट्रीवल ऑग्मेंटेशन और बायस विश्लेषण की एक एकीकृत पाइपलाइन के माध्यम से सोशल मीडिया से विविध दृष्टिकोण निकालने, संतुलित बहु-परिप्रेक्ष्य समाचार सारांश उत्पन्न करने और स्वचालित पत्रकारिता में पूर्वाग्रह का पता लगाने या उसे निष्प्रभावी करने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाती है।