22650 पेपर
यह शोध पत्र लिब्रेटो (Libretto) का परिचय देता है, जो एक एजेंट-फेसिंग फ्रेमवर्क है जो एक स्पष्ट संरचनात्मक संगठन वाले एलएलएम-नेटिव (LLM-native) व्याकरण और पुनर्प्राप्ति, निदान और पुनरावृत्ति स्व-सुधार को सक्षम करने के लिए एक सांख्यिकीय मूल्यांकन स्थान का उपयोग करके प्रतीकात्मक संगीत निर्माण को एक मापने योग्य और संपादन योग्य प्रक्रिया में परिवर्तित करता है।
यह शोध पत्र ACOER का प्रस्ताव करता है, जो एक नवीन रिवॉर्ड मैकेनिज्म है जो सही उत्तरों के लिए लेंथ पेनल्टी को अलग करके और डायनेमिक बजट नॉर्मलाइजेशन का उपयोग करके बड़े रीजनिंग मॉडल्स में एफिशिएंसी ट्रेनिंग को स्थिर करता है, जिससे रिवॉर्ड कोलैप्स को रोका जा सकता है और साथ ही सटीकता में उल्लेखनीय सुधार और टोकन जनरेशन में कमी आती है।
यह शोध पत्र इक्विटी फैक्टर रैंकिंग में रिट्रीवल-ऑगमेंटेड एलएलएम (LLMs) के लिए एक लीकेज-अवेयर बेंचमार्किंग फ्रेमवर्क प्रस्तुत करता है, जो यह प्रदर्शित करता है कि जबकि रियल-टाइम इन्फ्लेशन नाउकास्ट्स और मैक्रो-सिमिलर रिट्रीवल मीडियन प्रदर्शन को नॉन-एलएलएम बेसलाइन्स के तुलनीय स्तर पर लाते हैं, एलएलएम मीन रिटर्न्स और एक्सट्रीम रैंकिंग सटीकता में सुधार करके मामूली मूल्य प्रदान करते हैं जो लॉन्ग-शॉर्ट पोर्टफोलियो निर्माण के लिए आवश्यक है।
यह शोध पत्र LoRA फाइन-ट्यूनिंग के दौरान विषम क्लाइंट डेटा में ज्यामितीय मिसअलाइनमेंट (geometric misalignment) को कम करने के लिए एक सबस्पेस-रेगुलराइज्ड फेडरेटेड लर्निंग ऑब्जेक्टिव का प्रस्ताव करता है, जो RoBERTa-large और SmolLM-360M पर व्यापक प्रयोगों के माध्यम से यह प्रदर्शित करता है कि यह दृष्टिकोण क्लाइंट्स के बीच लगभग पूर्ण आधार ओवरलैप (near-perfect basis overlap) को लागू करके अभिसरण (convergence) और सटीकता में महत्वपूर्ण सुधार करता है।
GroundEval एक नियत (deterministic), जज-मुक्त ढांचा है जो स्टेटफुल एजेंटों का मूल्यांकन उनके टूल उपयोग और साक्ष्य पहुंच को विशिष्ट विफलता मोड (साइलेंस, पर्सपेक्टिव, और काउंटरफैक्चुअल) के विरुद्ध सत्यापित करके करता है, जिससे तर्क में उन महत्वपूर्ण अंतरालों को उजागर किया जा जाता है जिन्हें पारंपरिक LLM-as-Judge मेट्रिक्स अक्सर चूक जाते हैं।
कुरामोटो-सिवाशिंस्की समीकरण पर विकासवादी अनुकूलन (evolutionary optimization) को लागू करके, यह अध्ययन प्रदर्शित करता है कि भविष्यवाणी सटीकता के लिए रिज़र्वोइर आर्किटेक्चर का चयन करने से व्याख्या योग्य संरचनात्मक बाधाओं—जैसे कि संरक्षित स्पेक्ट्रल लिफाफे (spectral envelopes) और मध्यवर्ती मॉडुलैरिटी—को प्रकट करता है, जो कार्य-उपयुक्त गतिशील वर्गों को स्थिर करते हैं और सरल लागत-दक्षता समझौतों के बिना उच्च प्रदर्शन प्राप्त करते हैं।
यह शोध पत्र इमर्जेंस-डेंसिटी इन्वर्जन (EDI) परिकल्पना को प्रस्तावित करके मानक एनएलपी (NLP) प्रथाओं को चुनौती देता है, जो यह प्रदर्शित करता है कि जॉब पोस्टिंग में कम-घनत्व वाले "शोर" को त्यागना उभरते हुए व्यवसायों के महत्वपूर्ण अग्रणी संकेतकों की अनदेखी करता है, जैसा कि विश्लेषण किए गए डेटासेट के भीतर प्रॉम्प्ट इंजीनियर और एआई सेफ्टी रिसर्चर जैसे नवीन एआई-संबंधित भूमिकाओं के तीव्र स्थिरीकरण से प्रमाणित होता है।
यह अध्ययन एक व्याख्यात्मक एआई (explainable AI) ढांचे का प्रस्ताव करता है जो उच्च-सटीक, व्याख्या योग्य बहु-वर्ग मानसिक स्वास्थ्य भविष्यवाणी प्राप्त करने के लिए PCA-IG फीचर चयन, GAN-आधारित ओवरसैंपलिंग और ड्रैगनफ्लाई एल्गोरिदम-अनुकूलित XGBoost को एकीकृत करता है, जिससे ड्रग-प्रभावित आबादी में क्लास असंतुलन को संबोधित किया जा सके और प्रारंभिक हस्तक्षेप के लिए नैदानिक उपयोगिता को बढ़ाया जा सके।
यह शोध पत्र मेंबरशिप संकेत (membership indications) की निश्चितता का अनुमान लगाने के लिए काउंटिंग ब्लूम फिल्टर्स (Counting Bloom Filters) में काउंटर मानों (counter values) का लाभ उठाने का प्रस्ताव करता है, जिससे उन हाइब्रिड आर्किटेक्चर को बढ़ावा मिलता है जो इन डेटा संरचनाओं को मशीन लर्निंग मॉडल्स के साथ जोड़ते हैं।
यह शोध पत्र स्पीच कार्यों के लिए निश्चित कंप्यूट बजट के तहत मॉडल आकार, इनपुट लंबाई और रिप्रजेंटेशन रेजोल्यूशन (प्रतिनिधित्व रिज़ॉल्यूशन) के बीच के ट्रेडऑफ़ का विश्लेषण करने के लिए एक एकीकृत ढांचे का प्रस्ताव करता है, जो यह प्रकट करता है कि मॉडल का आकार बढ़ाने से घटते प्रतिफल (डिमिनिशिंग रिटर्न्स) प्राप्त होते हैं, इमोशन रिकग्निशन के लिए 4 सेकंड की इष्टतम अवधि की पहचान करता है, और यह प्रदर्शित करता है कि टोकन रिज़ॉल्यूशन को कम करने से न्यूनतम प्रदर्शन हानि के साथ इन्फरेंस लागत काफी कम हो जाती है।