22016 पेपर
यह शोध पत्र "इनअटेंशनल गैप" (Inattentional Gap) को प्रस्तुत करता है, जो एक ऐसी घटना है जहाँ कार्य-आधारित (task-conditioned) एआई मॉडल व्यवस्थित रूप से उन सुरक्षा-महत्वपूर्ण संकेतों को रिपोर्ट करने की अपनी क्षमता को दबा देते हैं जिन्हें वे अन्यथा पहचान सकते हैं, जिससे बेंचमार्क सुरक्षा स्कोर और वास्तविक दुनिया की विश्वसनीयता के बीच एक खतरनाक विच्छेद उत्पन्न होता है।
यह शोध पत्र \textsc{DiARC} का प्रस्ताव करता है, जो विज़ुअल ट्रांसफॉर्मेशन (visual transformation), रूल इनवर्जन (rule inversion) और टास्क-स्पेसिफिक एडिटिंग (task-specific editing) के माध्यम से सूचनात्मक नेगेटिव सैंपल्स (informative negative samples) के साथ प्रेफरेंस पेयर्स (preference pairs) का निर्माण करके लार्ज लैंग्वेज मॉडल्स की ARC-जैसी रीजनिंग क्षमताओं को बढ़ाता है, जिससे मॉडल्स को सही और गलत समाधानों के बीच अधिक प्रभावी ढंग से अंतर करने में सक्षम बनाया जा सके।
यह शोध पत्र CRISP को प्रस्तुत करता है, जो एक नवीन नैदानिक मूल्यांकन प्रतिमान (diagnostic evaluation paradigm) है जो धारणा (perception) को तर्क (reasoning) से अलग करने के लिए मीट्रिक 3D सीन ग्राफ और ओरेकल हस्तक्षेपों का उपयोग करता है, जिससे यह पता चलता है कि जहाँ प्रोप्राइटरी मॉडल मजबूत लेटेंट रीजनिंग के बावजूद सटीक मीट्रिक अनुमान में त्रुटिपूर्ण होते हैं, वहीं ओपन-सोर्स मॉडल मौलिक रूप से मल्टी-हॉप कंपोजिशनल रीजनिंग की कमी से सीमित हैं।
प्रस्तावित ग्रेडिएंट फैन-इन एसिमेट्री (Gradient Fan-in Asymmetry) सिद्धांत से प्रेरित होकर, जो यह स्पष्ट करता है कि घटते ग्रेडिएंट प्रवाह के कारण गहरे ट्रांसफॉर्मर स्तर कम योगदान क्यों देते हैं, यह शोधपत्र कैस्केडफॉर्मर (CascadeFormer) और कैस्केडफ्लो प्रूनिंग (CascadeFlow Pruning) को पेश करता है जो मॉडल की चौड़ाई को गतिशील रूप से कम करने और अनावश्यक परतों को हटाने के लिए, जिससे प्रदर्शन से समझौता किए बिना लेटेंसी और थ्रूपुट में महत्वपूर्ण दक्षता प्राप्त की जा सके।
PMDformer एक नवीन दीर्घकालिक समय श्रृंखला पूर्वानुमान मॉडल है जो ट्रेंड और शेप सूचना को अलग करने के लिए पैच-मीन डिकपलिंग पेश करता है, जिसे ट्रेंड रेस्टोरेशन और प्रॉक्सिमल वेरिएबल अटेंशन तंत्र के साथ जोड़ा गया है, ताकि प्रभावी रूप से शेप समानता और क्रॉस-वेरिएबल निर्भरता को कैप्चर किया जा सके और मौजूदा अत्याधुनिक तरीकों से बेहतर प्रदर्शन किया जा सके।
ForeAgent एक स्व-विकसित मल्टीमॉडल फोरेंसिक एजेंट है जो मल्टी-व्यू परसेप्शन-वर्डिक्ट आर्किटेक्चर को हिंडसाइट-संचालित रिफ्लेक्शन रणनीति के साथ जोड़ता है ताकि अपने तर्क को पुनरावृत्ति से परिष्कृत किया जा सके और एआई-जनरेटेड छवियों का पता लगाने में अत्याधुनिक प्रदर्शन प्राप्त किया जा सके।
यह अध्ययन प्रदर्शित करता है कि एक व्याख्यात्मक एक्स्ट्रा ट्रीज़ (Extra Trees) मशीन लर्निंग मॉडल, जिसे 2,038 मिस्र के हेपेटाइटिस सी रोगियों के डेटासेट से 28 में से 16 विशेषताओं पर प्रशिक्षित किया गया है, सिरोसिस का पता लगाने में 96.92% सटीकता प्राप्त करके अन्य एन्सेम्बल एल्गोरिदम से बेहतर प्रदर्शन करता है, जिससे इस रोगी आबादी के लिए शीघ्र निदान में एक महत्वपूर्ण अंतर को संबोधित किया जा सके।
यह शोध पत्र scBench-Long को प्रस्तुत करता है, जो 21 जटिल, दीर्घकालिक (long-horizon) सिंगल-सेल जीव विज्ञान कार्यों वाला एक सत्यापन योग्य बेंचमार्क है जो यह मूल्यांकन करता है कि क्या एआई एजेंट निर्धारित विधियों के बिना कच्चे डेटा से स्वायत्त रूप से वैज्ञानिक निष्कर्ष निकाल सकते हैं, जिससे यह पता चलता है कि वर्तमान शीर्ष मॉडल केवल 25.4% सफलता दर प्राप्त करते हैं।
EvoOptiGraph एक नवीन ढांचा है जो मॉडल की कमजोरियों द्वारा संचालित एक ग्राफ-आधारित संरचनात्मक पीढ़ी के माध्यम से डेटा और लार्ज लैंग्वेज मॉडल्स को सह-विकसित करके अनुकूलन मॉडलिंग को स्वचालित करता है, जो सटीकता और सामान्यीकरण में मौजूदा बेसलाइनों से काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र एक बहु-स्तरीय सत्यापन और ट्रैसेबिलिटी फ्रेमवर्क प्रस्तावित करता है जो डेटा संदर्भों को व्यवस्थित रूप से सत्यापित करके, तार्किक निरंतरता को लागू करके, और त्रुटि स्थानीयकरण एवं सुधार को सक्षम करने के लिए तर्क चरणों को संरचित करके, एआई-जनित टेलीस्कोप शेड्यूलिंग निर्णयों की विश्वसनीयता और निष्पादन क्षमता को बढ़ाता है।