10509 पेपर
यह अध्ययन प्रदर्शित करता है कि फ्रोजन टेक्स्ट एम्बेडिंग्स को हल्के एमएलपी क्लासिफायर के साथ संयोजित करने वाला एक गोपनीयता-संरक्षण वाला फेडरेटेड लर्निंग पाइपलाइन, MIMIC-IV क्लिनिकल नोट्स पर मल्टी-लेबल ICD कोड वर्गीकरण के लिए प्रतिस्पर्धी प्रदर्शन प्राप्त करता है, जो यह सिद्ध करता है कि स्केलेबल मेडिकल AI के लिए एम्बेडिंग की गुणवत्ता मॉडल की जटिलता से अधिक महत्वपूर्ण है।
यह अध्ययन चार उन्नत लार्ज लैंग्वेज मॉडल्स द्वारा जनरेट किए गए व्यक्तिगत प्रोफाइल्स का विश्लेषण करके उनमें रूढ़िवादी (stereotype) और विचलन (deviation) पूर्वाग्रहों की जांच करता है, जिससे यह पता चलता है कि परीक्षण किए गए सभी मॉडल्स विशिष्ट विशेषताओं के साथ जनसांख्यिकीय समूहों को जोड़ने और वास्तविक दुनिया के जनसांख्यिकीय वितरण से अलग होने में महत्वपूर्ण पूर्वाग्रह प्रदर्शित करते हैं।
यह शोध पत्र QWHA का प्रस्ताव करता है, जो एक पैरामीटर-कुशल फाइन-ट्यूनिंग विधि है जो बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) में क्वांटाइजेशन त्रुटियों को प्रभावी ढंग से कम करने और कम्प्यूटेशनल ओवरहेड को घटाने के लिए एक नवीन इनिशियलाइजेशन स्कीम के साथ वॉल्श-हैडमार्ड ट्रांसफॉर्म-आधारित एडेप्टर को एकीकृत करता है, जो सटीकता और प्रशिक्षण गति दोनों में मौजूदा लो-रैंक और फूरियर-आधारित दृष्टिकोणों से बेहतर प्रदर्शन करता है।
यह शोध पत्र इस बात का पहला व्यवस्थित अध्ययन प्रस्तुत करता है कि कैसे वास्तविक डेवलपर प्रॉम्प्ट विविधताएं, जैसे कि वर्तनी की गलतियाँ और काल्पनिक नाम, एलएलएम (LLM) द्वारा जनरेट किए गए कोड में लाइब्रेरी मतिभ्रम (library hallucinations) को ट्रिगर करती हैं, जो महत्वपूर्ण कमजोरियों को उजागर करता है और इन जोखिमों के पुनरुत्पादनीय मूल्यांकन और शमन को सक्षम करने के लिए लिबहैलुबेंच (LibHalluBench) बेंचमार्क पेश करता है।
यह अध्ययन प्रदर्शित करता है कि बड़े भाषा मॉडल (Large Language Models) केवल प्रस्तावात्मक निरूपणों (propositional representations) पर निर्भर रहकर उस कार्य में मनुष्यों से बेहतर प्रदर्शन कर सकते हैं जिसके लिए पारंपरिक रूप से चित्रात्मक मानसिक कल्पना की आवश्यकता होती है, जिससे एक उभरते हुए "कृत्रिम फैंटेसिया" (artificial phantasia) का प्रमाण मिलता है जो इस संज्ञानात्मक विज्ञान के दृष्टिकोण को चुनौती देता है कि दृश्य कल्पना के लिए चित्रात्मक प्रारूप आवश्यक है।
यह शोध पत्र सेल्फ-फिल्टर्ड डिस्टिलेशन (SFD) का प्रस्ताव करता है, जो एक नवीन ढांचा है जो LLM-जनित तर्कों को ग्राउंड-ट्रुथ लेबल के बजाय गतिशील विश्वास संकेतकों के रूप में मानकर विश्वसनीय पेटेंट वर्गीकरण को बढ़ाता है, जिससे तार्किक त्रुटियों को फ़िल्टर किया जाता है और एक एकीकृत अनसुपरवाइज्ड ट्रस्ट स्कोरिंग तंत्र के माध्यम से बड़े पैमाने के डेटासेट पर महत्वपूर्ण प्रदर्शन सुधार प्राप्त किया जाता है।
Dr. LLM एक रेट्रोफिटेबल फ्रेमवर्क है जो प्रीट्रेन्ड LLMs को हल्के वजन वाले, MCTS-सुपरवाइज्ड राउटरों से लैस करता है ताकि ट्रांसफॉर्मर लेयर्स को गतिशील रूप से स्किप करने, निष्पादित करने या दोहराने के लिए, जिससे बेस मॉडल वेट्स को बदले बिना विविध कार्यों में सटीकता में सुधार या उसे बनाए रखते हुए महत्वपूर्ण कंप्यूट बचत प्राप्त की जा सके।
यह अध्ययन एक संदर्भ-जागरूक, पीड़ित-केंद्रित एआई फ्रेमवर्क प्रस्तुत करता है जो निजी इंस्टाग्राम संदेशों के एक डेटासेट पर प्रशिक्षित लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है ताकि ऑनलाइन उत्पीड़न का अधिक सटीक रूप से पता लगाया जा सके और मनोवैज्ञानिक रूप से सहायक प्रतिक्रियाएं उत्पन्न की जा सकें जो भावनात्मक समर्थन और तनाव कम करने (डी-एस्केलेशन) के मामले में मानवीय प्रतिक्रियाओं से बेहतर प्रदर्शन करती हैं।
यह शोध पत्र शतरंज का एक नियंत्रित परीक्षण स्थल (testbed) के रूप में उपयोग करता है यह प्रदर्शित करने के लिए कि बड़े भाषा मॉडल सामान्य पैटर्न को याद करने पर अत्यधिक निर्भर करते हैं, क्योंकि प्रासंगिक प्रशिक्षण पूर्ववृत्तों (training priors) के अभाव वाली नवीन स्थितियों का सामना करने पर उनका प्रदर्शन काफी गिर जाता है और यादृच्छिक संभावना (random chance) के करीब पहुँच जाता है, जो उनकी व्यवस्थित सामान्यीकरण क्षमताओं की अंतर्निहित सीमाओं को प्रकट करता है।
यह शोध पत्र ECG-R1 को प्रस्तुत करता है, जो पहला तर्क-आधारित मल्टीमॉडल लार्ज लैंग्वेज मॉडल है जो प्रोटोकॉल-निर्देशित निर्देश जनरेशन, इंटरलीव्ड ड्रॉपआउट के साथ एक मोडैलिटी-डिकपल्ड आर्किटेक्चर और नैदानिक साक्ष्य पुरस्कारों (डायग्नोस्टिक एविडेंस रिवॉर्ड्स) के साथ सुदृढीकरण शिक्षण (रीइन्फोर्समेंट लर्निंग) के माध्यम से विश्वसनीय ईसीजी व्याख्या सुनिश्चित करता है, जबकि यह मौजूदा मेडिकल MLLMs में मतिभ्रम (हैलुसिनेशन) की व्यापकता पर भी प्रकाश डालता है।