28107 पेपर
यह शोध पत्र एक स्पीच इमोशन रिकग्निशन सिस्टम प्रस्तुत करता है जो मेल-फ्रीक्वेंसी सेप्सट्रल कोएफिशिएंट (MFCC) फीचर एक्सट्रैक्शन को लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM) डीप लर्निंग मॉडल के साथ जोड़ता है, जिससे TESS डेटासेट पर 99% सटीकता प्राप्त होती है और यह एक क्लासिकल SVM बेसलाइन से बेहतर प्रदर्शन करता है।
यह शोध पत्र प्रकट करता है कि मानक लिंक प्रेडिक्शन मॉडल अक्सर सामान्यीकरण योग्य ग्राफ प्रतिनिधित्व सीखने के बजाय बैच नॉर्मलाइजेशन द्वारा सक्षम मामूली, मिनी-बैच-निर्भर ह्यूरिस्टिक्स (heuristics) पर निर्भर करते हैं, और इस पूर्वाग्रह को सुधारना लिंक प्रेडिक्शन और नोड क्लासिफिकेशन कार्यों के बीच संरेखण में महत्वपूर्ण सुधार करता है।
यह शोध पत्र QERNEL को प्रस्तुत करता है, जो एक स्केलेबल न्यूरल वेवफंक्शन फाउंडेशन मॉडल है जो 150 इलेक्ट्रॉनों तक वाले सेमीकंडक्टर मोइरे हेटरोबिलयर्स में विविध क्वांटम अवस्थाओं और चरण परिवर्तनों (फेज ट्रांजिशन) को कैप्चर करने के लिए पैरामीटर स्पेस में कुशलतापूर्वक कई-इलेक्ट्रॉन श्रोडिंगर समीकरणों को हल करता है।
यह शोध पत्र प्रेडिक्टेड-वेटेड बैलेंस्ड एक्यूरेसी (pBA) को प्रस्तुत करता है, जो एक व्यावहारिक मूल्यांकन मीट्रिक है जो अनुपलब्ध वास्तविक सबकॉन्सेप्ट लेबल को अनुमानित पोस्टीरियर प्रोबेबिलिटीज (predicted posterior probabilities) से बदलकर असंतुलित वर्गीकरण में प्रदर्शन अनुमान पूर्वाग्रह को कम करता है ताकि विषम उप-जनसंख्याओं (heterogeneous subpopulations) में मॉडल के प्रदर्शन का अधिक स्थिर और व्याख्या योग्य मूल्यांकन प्रदान किया जा सके।
यह शोध पत्र यह प्रदर्शित करता है कि ऑनचेन बाजारों में वास्तविक पूंजी का प्रबंधन करने वाले विश्वसनीय स्वायत्त भाषा-मॉडल एजेंट, बेस मॉडल की क्षमताओं पर कम और एक मजबूत ऑपरेटिंग लेयर पर अधिक निर्भर करते हैं जिसमें टाइप किए गए नियंत्रण (typed controls), नीति सत्यापन (policy validation) और निष्पादन गार्ड (execution guards) शामिल हैं, जिन्होंने सामूहिक रूप से निर्मित ट्रेडिंग नियमों जैसी महत्वपूर्ण विफलताओं को कम किया और एक बड़े पैमाने के 21-दिवसीय परिनियोजन (deployment) में उच्च सेटलमेंट सफलता को सक्षम किया।
यह शोध पत्र डिस्टिल-बिलीफ (Distill-Belief) का प्रस्ताव करता है, जो एक टीचर-स्टूडेंट फ्रेमवर्क है जो सख्त समय सीमाओं के तहत क्लोज्ड-लूप इनवर्स सोर्स लोकलाइजेशन और कैरेक्टराइजेशन को सक्षम करने के लिए बेयसियन इन्फरेंस की शुद्धता को कम्प्यूटेशनल दक्षता से अलग करता है और रिवॉर्ड हैकिंग को कम करता है।
यह शोध पत्र "reward-lens" का परिचय देता है, जो एक ओपन-सोर्स लाइब्रेरी है जो रिवॉर्ड हेड के वेट वेक्टर (weight vector) को एक केंद्रीय अक्ष के रूप में उपयोग करके रिवॉर्ड मॉडल्स के लिए मैकेनिस्टिक इंटरप्रिटेबिलिटी टूल्स को अनुकूलित करती है, यह प्रकट करते हुए कि लीनियर एट्रिब्यूशन विधियाँ कॉज़ल पैचिंग प्रभावों (causal patching effects) की भविष्यवाणी करने में विफल रहती हैं और इस प्रकार एक ऐसे ढांचे को प्रेरित करती हैं जो इस विसंगति को एक बग के बजाय एक मौलिक गुण के रूप में मानता है।
यह शोध पत्र एक डेटा-केंद्रित एआई फ्रेमवर्क प्रस्तुत करता है जो फ्लोरोसेंस लाइफटाइम इमेजिंग का उपयोग करके वास्तविक समय में ग्लियोमा सर्जिकल मार्गदर्शन के लिए एक सुदृढ़ 96% सटीक मल्टी-क्लास क्लासिफायर प्राप्त करने हेतु शोरयुक्त हिस्टोपैथोलॉजिकल लेबल को परिष्कृत करने और ट्यूमर सेलुलैरिटी वर्गों को मिलाने के लिए कॉन्फिडेंट लर्निंग का उपयोग करता है।
यह शोध पत्र प्रदर्शित करता है कि इनपुट वर्ड एम्बेडिंग्स (input word embeddings) को ज़ीरो-ऑर्डर ग्रेडिएंट एस्टीमेशन (zeroth-order gradient estimation) के माध्यम से अनुकूलित किया जा सकता है ताकि संरेखित भाषा मॉडलों (aligned language models) को हानिकारक इनकार या असुरक्षित आउटपुट से दूर ले जाया जा सके, जिससे मानक बेंचमार्क पर सुरक्षा-फ्लैग की गई प्रतिक्रियाओं को प्रभावी ढंग से निष्प्रभावी किया जा सके।
यह शोध पत्र "लोवेस्ट सेंट्रॉइड" (Lowest Centroid) का प्रस्ताव करता है, जो एक टेस्ट-टाइम स्केलिंग विधि है जो उच्च-एन्ट्रॉपी टोकन के टेम्पोरल क्लस्टरिंग पर आधारित एक "एन्ट्रॉपी सेंट्रॉइड" की गणना करके सर्वश्रेष्ठ मॉडल रिस्पॉन्स का चयन करती है, जो बिना किसी बाहरी रिवॉर्ड मॉडल की आवश्यकता के विभिन्न कार्यों और मॉडल स्केल्स पर मौजूदा बेसलाइनों की तुलना में निरंतर प्रदर्शन सुधार प्रदर्शित करती है।