23714 पेपर
यह शोधपत्र SECUREVENT का प्रस्ताव करता है, जो एक हाइब्रिड AI/ML सुरक्षा आर्किटेक्चर है जो पारंपरिक क्रिप्टोग्राफिक नियंत्रणों को उन्नत विसंगति का पता लगाने (anomaly detection) और फेडरेटेड लर्निंग के साथ एकीकृत करता है ताकि उभरते खतरों के विरुद्ध इवेंट-आधारित प्रणालियों की गतिशील और वितरित प्रकृति की प्रभावी ढंग से निगरानी और सुरक्षा की जा सके।
यह शोध पत्र TriAlign प्रस्तुत करता है, जो एक नवीन मल्टी-एजेंट सुदृढीकरण अधिगम (मल्टी-एजेंट रीइन्फोर्समेंट लर्निंग) ढांचा है जो विविध सामाजिक समूहों के बीच सार्वभौमिक सत्य निरंतरता सुनिश्चित करते हुए साथ ही वैयक्तिकरण को बनाए रखने और वस्तुनिष्ठ कार्य प्रदर्शन में सुधार करने के माध्यम से व्यक्तिगत एलएलएम (LLM) संरेखण के अंतर को संबोधित करता है।
यह शोध पत्र EvoBrain को प्रस्तुत करता है, जो एक गतिशील निरंतर शिक्षण (continual learning) ढांचा है जो न्यूरो-स्पेक्ट्रल टास्क नॉर्मलाइजेशन और रिस्पॉन्स-अफ़िनिटी डिस्टिलेशन के माध्यम से प्लास्टिसिटी और स्थिरता को संतुलित करके EEG फाउंडेशन मॉडल्स को विषम BCI कार्यों में अनुकूलित करने में सक्षम बनाता है, जिससे पारंपरिक कार्य-पृथक फाइन-ट्यूनिंग की स्केलेबिलिटी और विस्मृति (forgetting) की सीमाओं को दूर किया जा सके।
यह शोध पत्र 'एडेप्टिव ऑटो-हार्नेस' (Adaptive Auto-Harness) का परिचय देता है, जो एक ऐसा फ्रेमवर्क और सिस्टम है जिसे ओपन-एंडेड टास्क स्ट्रीम्स में LLM एजेंट्स के लिए निरंतर स्व-सुधार को सक्षम करने के लिए डिज़ाइन किया गया है, जो प्रदर्शन अंतराल को इवोल्यूशन (evolution) और अडैप्टेशन (adaptation) लॉस में विभाजित करता है, और एक स्टेटफुल मल्टी-एजेंट इवॉल्वर, सॉल्व-टाइम रूटिंग वाले हार्नेस ट्री, और ह्यूमन-स्टीयरिंग हुक्स का उपयोग करता है ताकि गतिशील और विषम कार्यों पर मौजूदा बेसलाइन्स से बेहतर प्रदर्शन किया जा सके।
यह शोध पत्र प्रतिनिधित्व संरचनात्मक विश्लेषण (representational structural analysis) के माध्यम से बड़े भाषा मॉडलों की बहुभाषी प्रकृति की जांच करता है, जिससे यह पता चलता है कि कम-संसाधन वाली भाषाएं उच्च- और मध्यम-संसाधन वाली भाषाओं की तुलना में अंग्रेजी से संरचनात्मक रूप से अधिक भिन्न हैं और भाषा-विशिष्ट पोस्ट-ट्रेनिंग अंतर-भाषी संबंधों को बनाए रखते हुए इन संरचनाओं को संशोधित करती है।
OctoT2I एक नवीन स्व-विकसित एजेंटिक फ्रेमवर्क है जो मानव-पर्यवेक्षण-मुक्त, पुनरावृत्ति शिक्षण तंत्र का उपयोग करके कई मॉडलों के बीच कार्यों को गतिशील रूप से रूट करता है, जिससे मौजूदा टेक्स्ट-टू-इमेज विधियों की सीमाओं को संबोधित किया जाता है, और इस प्रकार जनरेशन गुणवत्ता और इन्फरेंस दक्षता के बीच एक बेहतर संतुलन प्राप्त किया जाता है।
यह शोध पत्र एक ऐसी विधि प्रस्तुत करता है जो दुर्लभ अवस्थाओं को अधिक कुशलता से खोजने के लिए एक पूर्व-प्रशिक्षित जनरेटिव मॉडल को इतिहास-निर्भर पूर्वाग्रह (history-dependent bias) के साथ संवर्धित करके प्रोटीन गतिशीलता अनुकरण (protein dynamics emulation) को त्वरित करती है, जिसके बाद संरचनात्मक वैधता सुनिश्चित करने के लिए एक परिशोधन चरण का उपयोग किया जाता है, जिसके परिणामस्वरूप मानक दृष्टिकोणों की तुलना में काफी तेज़ कवरेज और अधिक विविधता प्राप्त होती है।
LayerRoute एक हल्का, LoRA-आधारित एडैप्टर है जो एजेंटिक लैंग्वेज मॉडल्स के लिए है जो इन्फरेंस के दौरान ट्रांसफॉर्मर ब्लॉक्स को गतिशील रूप से स्किप करता है, जिससे जटिल रीजनिंग कार्यों पर प्रदर्शन को बनाए रखते हुए टूल कॉल्स के लिए कंप्यूटेशनल लागत को काफी कम कर दिया जाता है।
यह शोध पत्र गैर-मौखिक प्रतिक्रियाओं से व्यावहारिक अर्थ निकालने की बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) की क्षमता का पहला व्यवस्थित मूल्यांकन प्रस्तुत करता है, जो यह प्रकट करता है कि वे मौखिक कार्यों की तुलना में ऐसे कार्यों के साथ काफी संघर्ष करते हैं लेकिन इन-कॉन्टेक्स्ट लर्निंग (इन-कॉन्टेक्स्ट लर्निंग) के माध्यम से बेहतर प्रदर्शन दिखाते हैं।
डोमेन अज्ञानता और हार्डवेयर बाधाओं के कारण उपयोगकर्ता के इरादों को भौतिक रेडियो संकेतों में अनुवादित करने में वर्तमान लार्ज लैंग्वेज मॉडल्स की सीमाओं को दूर करने के लिए, लेखक रेडियोमास्टर (RadioMaster) पेश करते हैं, जो डोमेन ज्ञान, सहयोगात्मक सिग्नल जनरेशन और क्लोज्ड-लूप सत्यापन को एकीकृत करने वाला एक स्वायत्त मल्टी-एजेंट फ्रेमवर्क है, जिसे नए रेडियोबेंच (RadioBench) बेंचमार्क द्वारा मान्य किया गया है जो कॉन्फ़िगरेशन व्यवहार्यता और सिग्नल फिडेलिटी में अत्याधुनिक बेसलाइन्स से काफी बेहतर प्रदर्शन करता है।