22375 पेपर
यह शोध पत्र डिजिटल ट्विन-एकीकृत फेडरेटेड लर्निंग विधियों के एक समूह का प्रस्ताव करता है जो इंडस्ट्रियल IoT में संचार-कुशल, गोपनीयता-संरक्षित विसंगति पहचान (anomaly detection) प्राप्त करने के लिए सिंथेटिक और वास्तविक दुनिया के डेटा का लाभ उठाते हैं, जो मानक बेसलाइन की तुलना में मॉडल अभिसरण (convergence) को महत्वपूर्ण रूप से तेज करता है।
यह शोध पत्र प्रदर्शित करता है कि प्रशिक्षण डेटा में रूपक (metaphors), लेटेंट फीचर्स (latent features) को सक्रिय करके बड़े रीजनिंग मॉडल्स में क्रॉस-डोमेन मिसअलाइनमेंट (cross-domain misalignment) में योगदान देते हैं, जो एक ऐसा तंत्र है जिसका उपयोग मिसअलाइन्ड कंटेंट के लिए उच्च-सटीकता वाले डिटेक्टरों को डिजाइन करने के लिए किया जा सकता है।
यह शोध पत्र SciFig को प्रस्तुत करता है, जो एक एंड-टू-एंड मल्टी-एजेंट फ्रेमवर्क है जो वैज्ञानिक पाठ से उच्च गुणवत्ता वाले, पूर्णतः संपादन योग्य कार्यप्रणाली आकृतियों (methodology figures) को स्वचालित रूप से उत्पन्न करके दृश्य गुणवत्ता और संeditability के बीच के समझौते को दूर करता है, साथ ही इसके बेहतर प्रदर्शन को मान्य करने के लिए एक नए बेंचमार्क (SciFig-Bench) और मूल्यांकन प्रोटोकॉल (SciFig-Eval) को भी प्रस्तुत करता है।
यह शोध पत्र पोरस मीडिया (छिद्रयुक्त माध्यम) में रॉक-फ्लुइड इंटरैक्शन के सरोगेट मॉडलिंग के लिए एक ग्रिड-साइज-इनवेरिएंट न्यूरल नेटवर्क फ्रेमवर्क पेश करता है, जो यह प्रदर्शित करता है कि UNet++ आर्किटेक्चर फ्लूइड फ्लो की भविष्यवाणी करने में पारंपरिक रिड्यूस्ड-ऑर्डर मॉडल्स और मानक UNets दोनों से बेहतर प्रदर्शन करता है, साथ ही मेमोरी खपत को काफी कम करता है और प्रशिक्षण के लिए उपयोग किए गए डोमेन से बड़े डोमेन पर इन्फरेंस (inference) सक्षम बनाता है।
यह अध्ययन एक परिष्कृत पांच-श्रेणी वाली प्रतिक्रिया वर्गीकरण योजना का उपयोग करके, 227 देशों में मॉडल प्रदर्शन के बीच असमानताओं को सटीक रूप से मापने और विश्लेषण करने के लिए एक सत्यापित ग्राउंड-ट्रुथ डेटासेट (GAID v2) के विरुद्ध चार ओपन-वेट फाउंडेशन मॉडलों का बेंचमार्किंग करके, एआई में भौगोलिक पूर्वाग्रह पर मौजूदा शोध में पद्धतिगत सीमाओं को संबोधित करता है।
यह शोधपत्र Know2Guess प्रस्तुत करता है, जो एक संदूषण-जागरूक (contamination-aware) मल्टी-ज़ोन बेंचमार्क है जिसे समर्थित उत्तरों और अज्ञात विषयों पर परहेज (abstentions) के बीच अंतर करने की लार्ज लैंग्वेज मॉडल्स की क्षमता का कड़ाई से मूल्यांकन करने के लिए डिज़ाइन किया गया है, जो यह प्रकट करता है कि हालांकि वर्तमान मॉडल्स में चयनात्मक परहेज की कुछ क्षमता दिखाई देती है, फिर भी वे अंशांकन (calibration) और सौम्य-वस्तु अस्वीकृति (benign-item refusal) के मामले में संघर्ष करते हैं।
यह शोध पत्र प्रदर्शित करता है कि सहायक डेटा (helpfulness data) पर भाषा मॉडलों को पोस्ट-ट्रेनिंग देना, कोडिंग-केंद्रित प्रशिक्षण की तुलना में मिड-ट्रेन्ड पशु करुणा मूल्यों और सामान्य नैतिक तर्क को महत्वपूर्ण रूप से कम कर देता है, जबकि यह भी प्रकट करता है कि ये करुणा मूल्य डोमेन-विशिष्ट पोस्ट-ट्रेनिंग से प्राप्त तर्क सुधारों की तुलना में भाषाओं के बीच अधिक मजबूती से एनकोडेड हैं।
यह अध्ययन मॉडल डिस्टिलेशन दृष्टिकोण के माध्यम से स्टेटिक्स (स्थिरता) की समस्याओं को हल करने में लार्ज लैंग्वेज मॉडल्स की क्षमताओं का मूल्यांकन करता है, जो यह प्रकट करता है कि जबकि वे केवल टेक्स्ट वाले प्रश्नों पर अच्छा प्रदर्शन करते हैं, जब आरेखों और बहु-चरणीय तर्क की आवश्यकता होती है तो उनकी सटीकता काफी घट जाती है क्योंकि वे इमेज रिकग्निशन (छवि पहचान) की सीमाओं के बजाय विजुअल जानकारी को लगातार लागू करने में चुनौतियों का सामना करते हैं।
यह शोध पत्र प्रदर्शित करता है कि जब पशु-कल्याण संबंधी ग्रंथों का उपयोग भाषा मॉडलों को फाइन-ट्यून करने के लिए किया जाता है, तो मुखर भाषाई विशेषताएं (जैसे कि निश्चितता, नैतिक शब्दावली और भावना) मॉडल के पशु-कल्याण समर्थक तर्क को महत्वपूर्ण रूप से सुदृढ़ करती हैं, जबकि वर्णनात्मक या संदेहात्मक भाषा इस रुख को कमजोर कर देती है।