27962 पेपर
यह योगदान LUME-DBN को पेश करता है, जो एक नवीन पूर्ण बेयस गिब्स सैंपलिंग विधि है जो अधूरे गहन देखभाल इकाई (ICU) डेटा से डायनेमिक बेयस नेटवर्क की लर्निंग में सुधार करने के लिए लुप्त मानों को अज्ञात मापदंडों के रूप में मानती है, जिससे MICE जैसी मानक प्रक्रियाओं की तुलना में बेहतर पुनर्निर्माण सटीकता और अनिश्चितता परिमाणीकरण प्रदान किया जा सके।
यह शोध पत्र दीर्घ-दस्तावेज़ सारांशीकरण (long-document summarization) पर छह संदर्भ-मुक्त तथ्यात्मक निरंतरता मेट्रिक्स का व्यवस्थित रूप से मूल्यांकन करता है, जो तथ्य-संरक्षण संबंधी परिवर्तनों (factuality-preserving perturbations) की एक श्रृंखला के माध्यम से लंबी दूरी की निर्भरताओं और सूचना-सघन दावों को संभालने में उनकी महत्वपूर्ण सीमाओं को प्रकट करता है, और साथ ही भविष्य के सुधारों के लिए विशिष्ट दिशाएँ प्रस्तावित करता है।
इन्फ़ेरिक्स (Inferix) एक अगली पीढ़ी का इन्फरेंस इंजन है जिसे एक सेमी-ऑटोरिग्रेसिव ब्लॉक-डिफ्यूजन प्रतिमान (paradigm) का लाभ उठाकर इमर्सिव वर्ल्ड सिमुलेशन को सक्षम करने के लिए डिज़ाइन किया गया है, जो कुशल, उच्च-गुणवत्ता और इंटरैक्टिव लॉन्ग-फॉर्म वीडियो जनरेशन के लिए एलएलएम-शैली (LLM-style) के केवी कैशिंग (KV caching) को एकीकृत करता है, जो मौजूदा हाई-कन्करेंसी सिस्टम और क्लासिक डिफ्यूजन मॉडल्स से खुद को अलग करता है।
यह शोध पत्र DIQ-H बेंचमार्क प्रस्तुत करता है, जो त्रुटि प्रसार (error propagation) और मूल्य विसंगति (value misalignment) का आकलन करने के लिए निरंतर प्रतिकूल दृश्य स्थितियों के तहत विजन-लैंग्वेज मॉडल्स का मूल्यांकन करने वाला पहला बेंचमार्क है, साथ ही वैल्यू-गाइडेड इटरेटिव रिफाइनमेंट (VIR) फ्रेमवर्क भी प्रस्तुत करता है जो सुरक्षा-महत्वपूर्ण अनुप्रयोगों के लिए एनोटेशन सटीकता में उल्लेखनीय सुधार करने हेतु नैतिक रूप से संरेखित ग्राउंड ट्रुथ जनरेशन को स्वचालित करता है।
यह शोधपत्र Consist-Retinex का प्रस्ताव करता है, जो एक वन-स्टेप जनरेटिव फ्रेमवर्क है जो छवियों को रिफ्लेक्टेंस और इल्यूमिनेशन घटकों में विभाजित करके और एक नवीन द्वैत उद्देश्य (dual objective) एवं शोर-समृद्ध नमूनाकरण रणनीति (noise-emphasized sampling strategy) के साथ कंडीशनल कंसिस्टेंसी मॉडल्स को प्रशिक्षित करके उच्च-गुणवत्ता वाले रेटिनेक्स-आधारित लो-लाइट इमेज एन्हांसमेंट को त्वरित करता है ताकि सख्त लेटेंसी बाधाओं के तहत स्थिर, उच्च-प्रदर्शन वाला इन्फरेंस सुनिश्चित किया जा सके।
यह योगदान एक क्वांटम-अवेयर जनरेटिव एआई फ्रेमवर्क प्रस्तुत करता है जो मल्टी-फिडेलिटी लर्निंग और एक्टिव वैलिडेशन को एकीकृत करके मैटेरियल्स डिस्कवरी में डेंसिटी फंक्शनल थ्योरी (DFT) के व्यवस्थित पूर्वाग्रहों को दूर करता है, जिससे उन स्ट्रॉन्गली कोरिलेटेड सिस्टम्स में स्थिर उम्मीदवारों की सफलतापूर्वक पहचान की जा सकती है जहाँ पारंपरिक मॉडल विफल हो जाते हैं।
यह शोध पत्र क्रॉस-आर्किटेक्चर प्रॉक्सी ट्यूनिंग (CAPT) को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त विधि है जो मॉडल एंसेम्बलिंग और कंट्रास्टिव डिकोडिंग के माध्यम से मौजूदा लीगेसी क्लिनिकल मॉडल्स का लाभ उठाकर नई पीढ़ी के जनरल-डोमेन LLMs को क्लिनिकल डोमेन के अनुकूल बनाती है, जिससे बिना किसी महंगी रिट्रेनिंग के बेहतर प्रदर्शन प्राप्त होता है।
यह शोध पत्र लार्ज लैंग्वेज मॉडल्स में "सेलेक्टिव सेफ्टी ट्रैप" (चयनात्मक सुरक्षा जाल) को उजागर करता है, जहाँ सुरक्षा संरेखण एक जनसांख्यिकीय पदानुक्रम बनाता है जो अल्पप्रतिनिधित्व वाले समूहों को असुरक्षित छोड़ देता है, और सभी आबादी के लिए न्यायसंगत, हस्तांतरणीय सुरक्षा प्राप्त करने हेतु एक नए द्विभाषी बेंचमार्क (MiJaBench) और लक्षित अनुकूलन पद्धति का प्रस्ताव करता है।
यह शोध पत्र स्पेक्ट्रल ऑर्थोगोनल एक्सप्लोरेशन (SOE) का प्रस्ताव करता है, जो एक ज्यामितीय अनुमान ढांचा (geometric inference framework) है जहाँ एक "छात्र" मॉडल, "रीजनिंग कोलैप्स" (reasoning collapse) को दूर करने के लिए ऑर्थोगोनल रीजनिंग सिग्नल्स इंजेक्ट करके एक "शिक्षक" मॉडल को निर्देशित करता है और गणितीय, तार्किक और कोड जनरेशन कार्यों में सटीकता और दक्षता में महत्वपूर्ण सुधार करता है।
AdaFRUGAL एक अनुकूलनशील ढांचा (adaptive framework) है जो गतिशील मेमोरी न्यूनीकरण और लॉस-अवेयर अपडेट शेड्यूलिंग के माध्यम से ग्रेडिएंट-स्प्लिटिंग मापदंडों के फाइन-ट्यूनिंग को स्वचालित करता है, जिससे प्रतिस्पर्धी प्रदर्शन बनाए रखते हुए कम GPU मेमोरी और समय की आवश्यकताओं के साथ लार्ज लैंग्वेज मॉडल्स के कुशल और स्वायत्त प्रशिक्षण को सक्षम बनाया जा सके।