🤖 Category

cs.AI

28108 पेपर

🤖 machine learning

GeoRA: Geometry-Aware Low-Rank Adaptation for RLVR

GeoRA एक ज्यामिति-जागरूक (geometry-aware) लो-रैंक एडेप्टेशन विधि है जो RL अपडेट सबस्पेस के SVD के माध्यम से एडेप्टर को इनिशियलाइज़ करती है और प्री-ट्रेंड संरचनाओं को संरक्षित करने के लिए अवशिष्ट घटकों (residual components) को फ्रीज करती है, जिससे यह मौजूदा पैरामीटर-कुशल बेसलाइनों की तुलना में सत्यापन योग्य पुरस्कारों वाले सुदृढीकरण शिक्षण (Reinforcement Learning with Verifiable Rewards - RLVR) में बेहतर प्रदर्शन और सामान्यीकरण प्राप्त करती है।

Jiaying Zhang, Lei Shi, Jiguo Li, Jun Xu, Jiuchong Gao, Jinghua Hao, Renqing He2026-04-24
🤖 machine learning

Low Cost, High Efficiency: LiDAR Place Recognition in Vineyards with Matryoshka Representation Learning

यह शोध पत्र MinkUNeXt-VINE को प्रस्तुत करता है, जो कम लागत वाले, विरल (sparse) इनपुट का उपयोग करके असंरचित अंगूर के बागों के वातावरण में मजबूत, वास्तविक समय के LiDAR प्लेस रिकग्निशन (स्थान पहचान) को प्राप्त करने के लिए मैट्रोशका रिप्रेजेंटेशन लर्निंग (Matryoshka Representation Learning) का उपयोग करने वाली एक हल्की (lightweight) डीप-लर्निंग विधि है।

Judith Vilella-Cantos, Mauro Martini, Marcello Chiaberge, Mónica Ballesta, David Valiente2026-04-24
🤖 AI

SweetSpot: An Analytical Model for Predicting Energy Efficiency of LLM Inference

यह शोध पत्र SweetSpot को प्रस्तुत करता है, जो एक विश्लेषणात्मक मॉडल है जो इष्टतम इनपुट-आउटपुट लंबाई संयोजनों की पहचान करके LLM इन्फरेंस की गैर-रेखीय ऊर्जा दक्षता की सटीक भविष्यवाणी करता है, जिससे अनुकूलन योग्य जनरेशन रणनीतियों के माध्यम से महत्वपूर्ण ऊर्जा कटौती सक्षम होती है।

Hiari Pizzini Cavagna, Andrea Proia, Giacomo Madella, Giovanni B. Esposito, Francesco Antici, Daniele Cesarini, Zeynep K (…)2026-04-24
💬 NLP

Intent Laundering: AI Safety Datasets Are Not What They Seem

यह शोध पत्र प्रकट करता है कि व्यापक रूप से उपयोग किए जाने वाले एआई सुरक्षा डेटासेट दोषपूर्ण हैं क्योंकि वे यथार्थवादी प्रतिकूल व्यवहार के बजाय स्पष्ट "ट्रिगरिंग क्यूज़" (triggering cues) पर निर्भर करते हैं, जो यह प्रदर्शित करता है कि जब "इंटेंट लॉन्ड्रिंग" (intent laundering) नामक तकनीक के माध्यम से इन संकेतों को हटा दिया जाता है, तो शीर्ष स्तर के मॉडल भी हानिकारक आउटपुट को रोकने में विफल हो जाते हैं।

Shahriar Golchin, Marc Wetter2026-04-24
🤖 AI

How to Allocate, How to Learn? Dynamic Rollout Allocation and Advantage Modulation for Policy Optimization

यह शोध पत्र DynaMO प्रस्तुत करता है, जो एक सैद्धांतिक रूप से आधारित ढांचा है जो LLMs के लिए सत्यापन योग्य पुरस्कारों (verifiable rewards) के साथ सुदृढीकरण शिक्षण (reinforcement learning) को अनुकूलित करता है, जिसमें संसाधन अक्षमता और प्रशिक्षण अस्थिरता को संबोधित करने के लिए विचरण-न्यूनतम अनुक्रम-स्तरीय रोलआउट आवंटन (variance-minimizing sequence-level rollout allocation) को व्युत्पन्न किया गया है और ग्रेडिएंट-जागरूक टोकन-स्तरीय लाभ मॉड्यूलेशन (gradient-aware token-level advantage modulation) को कार्यान्वित किया गया है।

Yangyi Fang, Jiaye Lin, Xiaoliang Fu, Cong Qin, Haolin Shi, Chaowen Hu, Lu Pan, Ke Zeng, Xunliang Cai2026-04-24
💻 computer science

AtomicRAG: Atom-Entity Graphs for Retrieval-Augmented Generation

यह शोध पत्र AtomicRAG का प्रस्ताव करता है, जो एक नवीन रिट्रीवल-ऑगमेंटेड जनरेशन (Retrieval-Augmented Generation) फ्रेमवर्क है जो मौजूदा GraphRAG विधियों की कठोरता और त्रुटि संवेदनशीलता को दूर करने के लिए मोटे-स्तर के टेक्स्ट चंक्स (text chunks) को एक एटम-एंटिटी ग्राफ (Atom-Entity Graph) के भीतर लचीले, स्व-निहित "नॉलेज एटम्स" (knowledge atoms) से बदल देता है, जिससे रिट्रीवल सटीकता और रीजनिंग मजबूती में महत्वपूर्ण सुधार होता है।

Yanning Hou, Duanyang Yuan, Sihang Zhou, Xiaoshu Chen, Ke Liang, Siwei Wang, Xinwang Liu, Jian Huang2026-04-24
💻 computer science

MATRAG: Multi-Agent Transparent Retrieval-Augmented Generation for Explainable Recommendations

यह शोधपत्र MATRAG प्रस्तुत करता है, जो एक नवीन मल्टी-एजेंट फ्रेमवर्क है जो ज्ञान ग्राफ-संवर्धित रिट्रीवल (knowledge graph-augmented retrieval) को यूजर मॉडलिंग, आइटम विश्लेषण, रीजनिंग और स्पष्टीकरण निर्माण के लिए विशिष्ट एजेंटों के साथ एकीकृत करता है ताकि अत्याधुनिक, पारदर्शी और विश्वसनीय अनुशंसाएं प्रदान की जा सकें, जिसमें सटीकता और मानव-रेटेड स्पष्टीकरण की गुणवत्ता में महत्वपूर्ण सुधार हुआ है।

Sushant Mehta2026-04-24
💻 computer science

SPIRE: Structure-Preserving Interpretable Retrieval of Evidence

SPIRE एक अर्ध-संरचित (semi-structured) HTML दस्तावेज़ों के लिए एक संरचना-संरक्षण (structure-preserving) रिट्रीवल फ्रेमवर्क है जो वृक्ष-संरचित उप-दस्तावेजों (tree-structured subdocuments) को इंडेक्स करने और वैश्विक एवं स्थानीय संदर्भ तंत्र (global and local contextualization mechanisms) लागू करने द्वारा उद्धरण की गुणवत्ता और व्याख्यात्मकता में सुधार करता है, जो प्रश्न-उत्तर कार्यों में पारंपरिक फ्लैट-चंक (flat-chunk) बेसलाइन से बेहतर प्रदर्शन करता है।

Mike Rainey, Umut Acar, Muhammed Sezer2026-04-24
💻 computer science

Association Is Not Similarity: Learning Corpus-Specific Associations for Multi-Hop Retrieval

यह शोध पत्र एसोसिएशन-ऑगमेंटेड रिट्रीवल (AAR) को प्रस्तुत करता है, जो एक हल्का, कॉर्पस-विशिष्ट रीरैंकिंग तरीका है जो कॉन्ट्रास्टिव लर्निंग के माध्यम से पैसेजेस के बीच साहचर्य संबंधों (associative relationships) को सीखकर मल्टी-हॉप रिट्रीवल प्रदर्शन में महत्वपूर्ण सुधार करता है, यह प्रदर्शित करते हुए कि जटिल तर्क (complex reasoning) के लिए सामान्य सिमेंटिक समानता की तुलना में ऐसे विशिष्ट सह-उपस्थिति पैटर्न अधिक प्रभावी होते हैं।

Jason Dury2026-04-24
💻 computer science

ERA: Evidence-based Reliability Alignment for Honest Retrieval-Augmented Generation

यह शोध पत्र ERA प्रस्तुत करता है, जो एक ऐसा ढांचा है जो डिरिचलेट मॉडलिंग (Dirichlet modeling) और डेम्पस्टर-शेफर थ्योरी (Dempster-Shafer Theory) का उपयोग करके स्केलर कॉन्फिडेंस के स्थान पर साक्ष्य-आधारित वितरणों (evidence-based distributions) के माध्यम से रिट्रीवल-ऑगमेंटेड जनरेशन (Retrieval-Augmented Generation) प्रणालियों की विश्वसनीयता को बढ़ाता है, ताकि एपिस्टेमिक अनिश्चितता (epistemic uncertainty) और डेटा अस्पष्टता (data ambiguity) के बीच स्पष्ट रूप से अंतर किया जा सके, जिससे ज्ञान संबंधी संघर्षों की उपस्थिति में उत्तर कवरेज और परहेज (abstention) के बीच के संतुलन में सुधार होता है।

Sunguk Shin, Meeyoung Cha, Byung-Jun Lee, Sungwon Park2026-04-24