22214 पेपर
यह अध्ययन 4chan पर एआई नूडिफिकेशन (AI nudification) का एक बड़े पैमाने पर विश्लेषण प्रस्तुत करता है, जो सुलभ ओपन-सोर्स मॉडल और उत्पादकों के एक छोटे समूह द्वारा संचालित, मशहूर हस्तियों से हटकर सामाजिक दायरे के भीतर गैर-मशहूर हस्तियों को लक्षित करने की ओर एक महत्वपूर्ण बदलाव को प्रकट करता है, जिससे शासन और सुरक्षात्मक हस्तक्षेपों की तत्काल आवश्यकता रेखांकित होती है।
यह शोध पत्र OmniAct को प्रस्तुत करता है, जो एक पदानुक्रमित अतुल्यकालिक ढांचा (hierarchical asynchronous framework) है जो साइबर-भौतिक नियोजन (cyber-physical planning), अनुकूलनशील स्मृति (adaptive memory) और दृश्य सत्यापन (visual verification) को एकीकृत करता है ताकि निरंतर शारीरिक एजेंटों (embodied agents) को अनस्ट्रक्चर्ड वातावरण में जटिल, दीर्घ-क्षितिज वाले कार्यों को स्वायत्त रूप से निष्पादित करने में सक्षम बनाया जा सके, साथ ही भौतिक विफलताओं के विरुद्ध दक्षता और मजबूती बनाए रखी जा सके।
यह शोध पत्र प्रदर्शित करता है कि न्यूरल पोस्टीरियर एस्टीमेशन का उपयोग करने वाला सिमुलेशन-आधारित अनुमान (SBI), मैकेनिस्टिक एपिडेमियोलॉजिकल मॉडल्स के बेयसियन कैलिब्रेशन के लिए पारंपरिक मार्कोव चेन मोंटे कार्लो (MCMC) विधियों के एक तीव्र और गणनात्मक रूप से कुशल विकल्प के रूप में कार्य करता है, जो पैरामीटर अनुमान में तुलनीय सटीकता प्राप्त करते हुए अनुमान समय को हजारों सेकंड से घटाकर दो मिनट से भी कम कर देता है।
यह शोध पत्र यह प्रदर्शित करता है कि जबकि LLM-आधारित बायोडाटा स्क्रीनिंग में प्रॉम्प्ट इंजेक्शन हेरफेर दुर्लभ होने और उम्मीदवारों की गुणवत्ता समान होने पर रैंकिंग बढ़ाने में प्रभावी रूप से काम कर सकता है, इसकी उपयोगिता इसके प्रसार के साथ समाप्त हो जाती है और यह महत्वपूर्ण निष्पक्षता जोखिम भी पैदा करता है क्योंकि यह कभी-कभी कम गुणवत्ता वाले उम्मीदवारों को श्रेष्ठ उम्मीदवारों से ऊपर रैंक करने की अनुमति दे देता है।
यह शोध पत्र तर्क देता है कि रूटिंग और वोटिंग जैसे मल्टी-मॉडल एलएलएम (LLM) सिस्टम के प्रदर्शन में होने वाली वृद्धि मौलिक रूप से "को-फेलियर रेट" (वह आवृत्ति जिसमें सभी मॉडल एक साथ विफल हो जाते हैं) द्वारा सीमित है, जो एक ऐसा मीट्रिक है जिसे मानक सहसंबंध माप (correlation measures) नहीं पकड़ पाते हैं और जो अक्सर एक मजबूत क्वेरी-स्तरीय रूटिंग सिग्नल की अनुपस्थिति में, एन्सेम्बल सटीकता को एकल सर्वश्रेष्ठ मॉडल के स्तर तक ही सीमित कर देता है।
यह शोध पत्र हल्के संज्ञानात्मक दोष (माइंड कॉग्निटिव इम्पेयरमेंट) की गैर-आक्रामक, निरंतर निगरानी और शीघ्र पहचान के लिए बुजुर्गों के संवादात्मक पैटर्न की नकल करने हेतु लार्ज लैंग्वेज मॉडल्स और एक मल्टी-हेड कंडीशनल वेरिएशनल ऑटोएनकोडर का उपयोग करते हुए एक भाषा-आधारित डिजिटल ट्विन फ्रेमवर्क प्रस्तावित करता है, जो I-CONECT डेटासेट पर बेसलाइन मॉडल की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।
यह शोध पत्र लक्षित प्रयोगों का संचालन करके यह विश्लेषण करने के लिए BEACON फ्रेमवर्क की जांच करता है कि इसके प्रदर्शन और वितरण संरेखण तंत्र (distribution alignment mechanisms) विभिन्न एल्गोरिदम संबंधी विकल्पों और डेटा उपलब्धता की स्थितियों से कैसे प्रभावित होते हैं, जो कम-संसाधन वाले, डोमेन-जागरूक एंटिटी मैचिंग (Entity Matching) के लिए है।
यह बहु-केंद्रित अध्ययन प्रदर्शित करता है कि विभिन्न अस्पतालों में एक साझा, ऑफ-द-शेल्फ स्ट्रक्चर्ड EHR फाउंडेशन मॉडल को अनुकूलित करना, स्क्रैच से मॉडल प्रशिक्षित करने की तुलना में लेबल दक्षता और भविष्यवाणी प्रदर्शन में महत्वपूर्ण सुधार करता है, जिससे स्वास्थ्य सेवा एआई विकास के लिए एक स्केलेबल और लागत प्रभावी दृष्टिकोण प्राप्त होता है।
यह अध्ययन प्रदर्शित करता है कि 0.1 ड्रॉपआउट दर और एडम ऑप्टिमाइज़र के साथ डेंसनेट201 (DenseNet201) आर्किटेक्चर का उपयोग करने वाला एक ट्रांसफर लर्निंग दृष्टिकोण 40 छवियों के टेस्ट सेट पर 92.5% की उच्च सटीकता के साथ आलू के पत्तों की बीमारियों को प्रभावी ढंग से वर्गीकृत करता है, जो पारंपरिक तरीकों से बेहतर प्रदर्शन करता है।
ओमेगाएमपी (OmegAMP) एक जैविक रूप से सूचित, डिफ्यूजन-आधारित जनरेटिव फ्रेमवर्क है जो पेप्टाइड गुणों पर सूक्ष्म नियंत्रण सक्षम करके और सिंथेटिक डेटा ऑग्मेंटेशन का उपयोग करके एंटीमाइक्रोबियल पेप्टाइड खोज में अत्याधुनिक उपलब्धि प्राप्त करता है, जिसके परिणामस्वरूप मल्टी-ड्रग रेजिस्टेंट स्ट्रेन के विरुद्ध 96% की उल्लेखनीय प्रयोगात्मक सफलता दर प्राप्त होती है।