11683 पेपर
यह शोध पत्र एक हाइब्रिड इंटेलिजेंट फ्रेमवर्क प्रस्तुत करता है जो टेक्स्ट, ऑडियो और वीडियो संकेतों का मूल्यांकन करके टिकटॉक पर संदिग्ध दुष्प्रचार का पता लगाने के लिए डीप लर्निंग-आधारित मल्टीमॉडल फीचर विश्लेषण को फजी लॉजिक के साथ एकीकृत करता है, और अंततः दुष्प्रचार व्यवहारों पर विस्तृत रिपोर्ट तैयार करता है।
यह शोध पत्र मोंटे कार्लो सैंपलिंग त्रुटियों को वितरण बेमेल (distribution mismatches) के रूप में मॉडल करने के लिए संरचनात्मक पूर्वधारणाओं (structural priors) को इंजेक्ट करके, LLM तर्क के लिए वैल्यू-बेस्ड प्रोसेस वेरीफायर में सुधार का प्रस्ताव करता है, जिससे न्यूनतम कम्प्यूटेशनल लागत के साथ Best-of-N और बीम सर्च कार्यों पर 1-2 अंकों की प्रदर्शन वृद्धि प्राप्त होती है।
यह शोध पत्र प्रकट करता है कि रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) सिस्टम, LLM-ओनली मॉडल्स की तुलना में उपयोगकर्ता के प्रश्नों में भाषाई विविधताओं—जैसे कि औपचारिकता, पठनीयता, विनम्रता और व्याकरणिक शुद्धता में बदलाव—के प्रति काफी अधिक नाजुक हैं, जिससे प्रदर्शन में भारी गिरावट आती है और वास्तविक दुनिया के परिनियोजन में बेहतर मजबूती की महत्वपूर्ण आवश्यकता पर प्रकाश पड़ता है।
यह शोध पत्र RAVEN को प्रस्तुत करता है, जो एक ब्लैक-बॉक्स ऑडिटिंग फ्रेमवर्क है जो बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) में कॉन्सेप्ट-कंडीशन्ड सिमेंटिक डाइवर्जेंस का पता लगाता है—जहाँ विचारधारा जैसे उच्च-स्तरीय संकेत एक समान, प्रोपेगैंडा-नुमा प्रतिक्रियाओं को प्रेरित करते हैं जो पारंपरिक टोकन-आधारित सुरक्षा प्रणालियों से बच निकलते हैं—जो संवेदनशील विषयों पर असामान्य, उच्च-आत्मविश्वास वाले दृष्टिकोणों की पहचान करने के लिए सिमेंटिक एंट्रॉपी विश्लेषण को क्रॉस-मॉडल डिसएग्रीमेंट के साथ जोड़ता है।
यह शोध पत्र S-MedQA, एक बड़े पैमाने के, बहु-विशेषज्ञता वाले चिकित्सा प्रश्नोत्तर (QA) डेटासेट को प्रस्तुत करता है, और इसका उपयोग यह प्रदर्शित करने के लिए करता है कि चिकित्सा संबंधी LLMs में प्रदर्शन में वृद्धि मुख्य रूप से डोमेन शिफ्टिंग (domain shifting) से आती है न कि विशेषज्ञता-विशिष्ट फाइन-ट्यूनिंग (specialty-specific fine-tuning) से, जो मॉडल प्रशिक्षण में नैदानिक डेटा की भूमिका के बारे में पारंपरिक धारणाओं को चुनौती देता है।
यह शोध पत्र एक ऐसे ढांचे का प्रस्ताव करता है जो उनके स्वयं-निर्मित अनुमानी सिद्धांतों (heuristics) का विश्लेषण करके समाज के "अलिखित कोड" को उजागर करने और उसकी आलोचना करने के लिए बड़े भाषा मॉडलों (LLMs) का लाभ उठाता है, जो एक पीअर रिव्यू केस स्टडी के माध्यम से यह प्रदर्शित करता है कि कैसे LLMs उन अंतर्निहित पूर्वाग्रहों को प्रकट कर सकते हैं—जैसे कि शुद्ध कठोरता के बजाय कहानी कहने की अनकही प्राथमिकता—जिन्हें मानव विशेषज्ञ लागू तो करते हैं लेकिन शायद ही कभी स्पष्ट रूप से व्यक्त करते हैं।
Text2Grad एक नया सुदृढीकरण शिक्षण (reinforcement learning) प्रतिमान पेश करता है जो मुक्त-रूप प्राकृतिक भाषा फीडबैक को स्पैन-स्तरीय ग्रेडिएंट्स में परिवर्तित करता है ताकि भाषा मॉडलों में विशिष्ट टोकन स्पैन को सीधे परिष्कृत किया जा सके, जिससे पारंपरिक स्केलर-रिवॉर्ड विधियों की तुलना में बेहतर प्रदर्शन और व्याख्यात्मकता प्राप्त होती है।
यह शोध पत्र तर्क देता है कि बड़े भाषा मॉडल (लार्ज लैंग्वेज मॉडल्स) सांस्कृतिक संदर्भ को संरक्षित करने वाली "सघन वर्णनों" (थिक डिस्क्रिप्शन्स) के सृजन को स्वचालित करके मानवीय अर्थ को व्यापक स्तर पर सुपाठ्य बना सकते हैं, जिससे वे पारंपरिक मात्रात्मक मेट्रिक्स की सीमाओं को पार कर सकते हैं जो "विरल वर्णनों" (थिन डिस्क्रिप्शन्स) पर निर्भर करते हैं और आवश्यक सूक्ष्मता को समाप्त कर देते हैं।
यह शोध पत्र एजेंटिक प्लान कैशिंग (APC) का प्रस्ताव करता है, जो एक नवीन टेस्ट-टाइम मेमोरी सिस्टम है जो प्रदर्शन को बनाए रखते हुए LLM-आधारित एजेंटों की लागत और विलंबता (latency) को महत्वपूर्ण रूप से कम करने के लिए पिछले एजेंट निष्पादनों से संरचित प्लान टेम्पलेट्स को निकालता है, अनुकूलित करता है और पुन: उपयोग करता है।
यह अध्ययन नैदानिक साक्षात्कारों में अवसाद का पता लगाने के लिए डीप न्यूरल नेटवर्क्स और लार्ज लैंग्वेज मॉडल्स की तुलना करता है, जिसमें यह पाया गया है कि हालांकि एलएलएम (LLMs) आम तौर पर डीएनएन (DNNs) से बेहतर प्रदर्शन करते हैं और कम लैंगिक पूर्वाग्रह प्रदर्शित करते हैं, दोनों दृष्टिकोण अभी भी नस्लीय असमानताओं के साथ संघर्ष करते हैं, जहाँ डीएनएन (DNNs) के लिए 'वर्स्ट-ग्रुप लॉस' (worst-group loss) और एलएलएम (LLMs) के लिए 'एथिकल प्रॉम्प्टिंग' (ethical prompting) जैसी विशिष्ट निष्पक्षता-जागरूक तकनीकें आंशिक शमन प्रदान करती हैं।