19656 पेपर
यह शोध पत्र OrderBench प्रस्तुत करता है, जो यह प्रदर्शित करता है कि जबकि JSON स्कीमा बाधाएं (constraints) LLM ऑर्डरिंग एजेंटों के लिए सिंटैक्टिक वैधता सुनिश्चित करती हैं, वे सिमेंटिक विश्वसनीयता या सुरक्षा की गारंटी देने में विफल रहती हैं, जिसके लिए अतिरिक्त डोमेन सत्यापन और फेल-क्लोज्ड निष्पादन तंत्र (fail-closed execution mechanisms) की आवश्यकता होती है।
यह शोध पत्र MUX को प्रस्तुत करता है, जो एक ऐसी विधि है जो डिस्क्रीट रीजनिंग स्टेप्स (discrete reasoning steps) को लॉसलेस, मल्टीप्लेक्सड लेटेंट टोकन्स (lossless, multiplexed latent tokens) में डिस्टिल करके भाषा मॉडलों में कुशल और उच्च-बैंडविड्थ निरंतर तर्क (continuous reasoning) को सक्षम बनाती है, जिससे व्याख्यात्मकता बनाए रखते हुए और मौजूदा बेसलाइनों से बेहतर प्रदर्शन करते हुए प्राकृतिक भाषा अभिव्यक्ति की कम्प्यूटेशनल बाधाओं को दूर किया जा सके।
यह शोध पत्र प्रदर्शित करता है कि सीखे गए तरीकों के माध्यम से विविध बड़े भाषा मॉडलों (large language models) से भविष्यवाणियों को एकत्रित करना व्यक्तिगत मॉडल के प्रदर्शन से बेहतर हो सकता है, जबकि यह इस बात पर प्रकाश डालता है कि प्रशिक्षण कटऑफ संदूषण (training cutoff contamination) क्षमता मूल्यांकन को महत्वपूर्ण रूप से विकृत करता है और ऐसे एन्सेम्बल्स (ensembles) का प्राथमिक लाभ जटिल गैर-रेखीय अंतःक्रियाओं के बजाय विविध मॉडल आउटपुट को रैखिक रूप से संयोजित करने से प्राप्त होता है।
यह शोध पत्र TRACER का प्रस्ताव करता है, जो एक नवीन फ्रेमवर्क है जो विषम बाहरी ज्ञान और असंरचित नैदानिक नोट्स का प्रभावी ढंग से लाभ उठाने के लिए गंभीरता-आधारित चिकित्सा ज्ञान ग्राफ़ को रिट्रीवल-ऑगमेंटेड जनरेशन के साथ एकीकृत करता है, जिससे MIMIC डेटासेट्स पर मृत्यु दर और पुन: प्रवेश जोखिम के पूर्वानुमान में महत्वपूर्ण सुधार प्राप्त होता है।
यह शोध पत्र एक डोमेन-अज्ञेय (domain-agnostic) ढांचे का प्रस्ताव करता है जो ऐतिहासिक डेटा से संरचित कारकों को निकालकर और सत्यापन योग्य साक्ष्यों पर जनरेशन को कंडिशन करके टाइम सीरीज़ पूर्वानुमानों के लिए ग्राउंडेड, स्वाभाविक भाषा की व्याख्याएं उत्पन्न करता है, जिससे डोमेन-विशिष्ट फाइन-ट्यूनिंग की आवश्यकता के बिना पठनीयता, निरंतरता और प्रभावशीलता में विश्लेषक-स्तर की गुणवत्ता प्राप्त होती है।
यह शोधपत्र उच्च-क्रम शिक्षण (higher-order learning) के लिए एक एकीकृत ढांचे का प्रस्ताव करता है जो निर्णय-प्रासंगिक अंतर्दृष्टि और गैर-क्रमविनिमेय क्रिया अनुक्रमों (non-commuting action sequences) को प्राथमिकता देता है, साथ ही APOHA पेश करता है, जो एक ऐसा सिद्धांत है जहाँ मूल्य-जागरूक विस्मृति (value-aware forgetting) एक शिक्षण ऑपरेटर के रूप में कार्य करती है जो निर्णय संबंधी पछतावे को महत्वपूर्ण रूप से कम करती है और गैर-स्थिर वातावरण में स्मृति को अनुकूलित करती है।
यह शोधपत्र FALCON-Discover को प्रस्तुत करता है, जो एक पोस्ट-हॉक (post-hoc), मॉडल-अज्ञेय (model-agnostic) ढांचा है जो कई विसंगति संकेतों (discrepancy signals) के आधार पर भविष्यवाणियों को रैंक करके खतरनाक झूठे आत्मविश्वास के केंद्रित क्षेत्रों की पहचान करता है, और यह प्रदर्शित करता है कि ओवरकॉन्फिडेंस (overconfidence) को एक खोज समस्या (discovery problem) के रूप में मानना पारंपरिक एकल-स्कोर अंशांकन (single-score calibration) विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र एक सत्यापन-गेटेड स्पेक्ट्रल एविडेंस बंडलिंग पद्धति प्रस्तुत करता है जो आउटपुट कॉन्फिडेंस को संपूर्ण-नमूना स्पेक्ट्रल डिस्क्रिप्टर्स के साथ जोड़कर विश्वसनीय भविष्यवाणियों की पहचान करने और असमर्थ स्पेक्ट्रल कंडीशनिंग को रोकने के लिए टाइम-सीरीज क्लासिफिकेशन हेतु चयनात्मक विश्वसनीयता अनुमान को बढ़ाता है।
यह शोध पत्र एक कंपाउंड स्पैरसिटी फ्रेमवर्क पेश करता है जो सिंगल-मैकेनिज्म कंप्रेशन विधियों से बेहतर प्रदर्शन करने के लिए स्टैटिक पैरामीटर प्रूनिंग को डायनेमिक टोकन-लेवल लेयर स्किपिंग के साथ जोड़ता है, जो प्रभावी रूप से प्रदर्शन क्षरण को विलंबित करता है और लार्ज लैंग्वेज मॉडल्स के लिए एक इष्टतम निकट-संतुलित आवंटन रणनीति को प्रकट करता है।
FedCC एक लो-रिसोर्स फेडरेटेड लर्निंग फ्रेमवर्क है जो फुल फाइन-ट्यूनिंग की तुलना में कंप्यूटेशनल और कम्युनिकेशन लागत को काफी कम करते हुए, भ्रूण अल्ट्रासाउंड छवियों में कॉर्पस कैलोसम के मजबूत, गोपनीयता-संरक्षित स्थानीयकरण (localization) को प्राप्त करने के लिए एक फ्रोजन DINOv2 बैकबोन को LoRA और एक YOLO-आधारित डिटेक्शन हेड के साथ जोड़ता है।