10792 पेपर
यह केस स्टडी अनुभवजन्य रूप से यह प्रदर्शित करती है कि रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) पाइपलाइन के भीतर एनोनिमाइजेशन (anonymization) का स्थान—विशेष रूप से यह कि इसे अंतर्निहित डेटासेट पर लागू किया गया है या उत्पन्न उत्तर पर—परिणामस्वरूप होने वाले गोपनीयता-उपयोगिता समझौतों (privacy-utility trade-offs) को महत्वपूर्ण रूप से प्रभावित करता है।
यह शोध पत्र WORC का प्रस्ताव करता है, जो एक दो-चरणीय ढांचा है जो एक मेटा-लर्निंग-आधारित प्रेडिक्टर का उपयोग करके कमजोर एजेंटों की पहचान करने और उन्हें अतिरिक्त रीजनिंग बजट आवंटित करने के लिए अनिश्चितता-संचालित रणनीति का उपयोग करके मल्टी-एजेंट रीजनिंग स्थिरता को बढ़ाता है, जिससे समग्र सिस्टम सटीकता और मजबूती में सुधार होता है।
यह शोध पत्र SCHK-HTC को प्रस्तुत करता है, जो एक नवीन फ्यू-शॉट पदानुक्रमित पाठ वर्गीकरण (hierarchical text classification) ढांचा है, जो पदानुक्रमित ज्ञान-जागरूक प्रॉम्प्ट ट्यूनिंग (hierarchical knowledge-aware prompt tuning) को सिबलिंग कंट्रास्टिव लर्निंग (sibling contrastive learning) के साथ जोड़ता है ताकि मॉडल की अर्थपूर्ण रूप से समान सिबलिंग वर्गों के बीच अंतर करने की क्षमता को बढ़ाया जा सके और बेंचमार्क डेटासेट पर बेहतर प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र यह प्रदर्शित करता है कि पोस्ट-ट्रेन्ड लैंग्वेज मॉडल्स में आउटपुट विविधता का पतन (output diversity collapse) मुख्य रूप से जनरेशन फॉर्मेट या विशिष्ट पोस्ट-ट्रेनिंग विधियों के बजाय प्रशिक्षण डेटा की संरचना द्वारा निर्धारित होता है, जो यह प्रकट करता है कि अर्थ संबंधी विविधता का नुकसान सुपरवाइज्ड फाइन-ट्यूनिंग के दौरान मॉडल के वेट्स (weights) में समाहित हो जाता है और इसे केवल इन्फरेंस समय पर हल नहीं किया जा सकता है।
यह शोध पत्र प्रदर्शित करता है कि बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) को समान रूप से नमूनाकृत स्टोकेस्टिक टोकेनाइज़ेशन (यूनिफॉर्मली सैम्पल्ड स्टोकेस्टिक टोकेनाइज़ेशन) के साथ प्रशिक्षित करना सटीकता और अनुमान दक्षता को बनाए रखते हुए उन्हें प्रतिकूल और यादृच्छिक विक्षोभों के विरुद्ध महत्वपूर्ण रूप से सुदृढ़ बनाता है।
यह शोध पत्र लार्ज लैंग्वेज मॉडल्स (Large Language Models) में अंतर्निहित व्याख्यात्मकता (intrinsic interpretability) का एक व्यवस्थित सर्वेक्षण प्रस्तुत करता है, जो हालिया प्रगति को पांच डिज़ाइन प्रतिमानों—कार्यात्मक पारदर्शिता (functional transparency), अवधारणा संरेखण (concept alignment), प्रतिनिधित्व संबंधी अपघटनीयता (representational decomposability), स्पष्ट मॉड्यूलैरिटी (explicit modularization), और लेटेंट स्पार्सिटी इंडक्शन (latent sparsity induction)—में वर्गीकृत करता है, साथ ही वर्तमान मॉडलों की अपारदर्शिता को संबोधित करने के लिए खुली चुनौतियों और भविष्य की अनुसंधान दिशाओं पर चर्चा करता है।
यह शोध पत्र LLMSniffer को पेश करता है, जो एक ऐसा डिटेक्शन फ्रेमवर्क है जो बेंचमार्क डेटासेट्स पर एआई-जनरेटेड कोड और मानव-लिखित कोड के बीच अंतर करने की सटीकता को महत्वपूर्ण रूप से सुधारने के लिए ग्राफकोडबर्ट (GraphCodeBERT) को सुपरवाइज्ड कॉन्ट्रास्टिव लर्निंग और कमेंट रिमूवल प्रीप्रोसेसिंग के साथ जोड़ता है।
यह अध्ययन बंदूक हिंसा के उत्तरजीवियों के साक्षात्कार को कोड करने के लिए ओपन-सोर्स लार्ज लैंग्वेज मॉडल्स के उपयोग का मूल्यांकन करता है, जिसमें यह पाया गया है कि हालांकि वे विशिष्ट कोडों की पहचान करने की क्षमता दिखाते हैं, लेकिन उनकी समग्र प्रासंगिकता कम है, वे डेटा प्रोसेसिंग के प्रति अत्यधिक संवेदनशील हैं, और सुरक्षात्मक बाधाओं (गार्डरेल्स) द्वारा महत्वपूर्ण आख्यानों को मिटाने के कारण काफी बाधित होते हैं, जिससे हाशिए पर रहने वाले समुदायों के साथ अनुसंधान में एआई को लागू करने में पर्याप्त नैतिक और व्यावहारिक सीमाओं का पता चलता है।
यह शोध पत्र यह प्रदर्शित करता है कि टोकन प्रूनिंग, जो छोटे कोरियाई-केंद्रित शब्दावली विन्यास बनाने के लिए अप्रासंगिक भाषा मापदंडों को हटा देता है, बहुभाषी एलएलएम (LLMs) में जनरेशन स्थिरता और कोरियाई-विशिष्ट मशीन अनुवाद प्रदर्शन को महत्वपूर्ण रूप से बढ़ाता है, जो केवल मामूली विलंबता सुधारों के बावजूद इसे मेमोरी-बाधित परिनियोजन के लिए एक प्रभावी अनुकूलन रणनीति के रूप में प्रमाणित करता है।
यह शोध पत्र GRIFT को प्रस्तुत करता है, जो एक नवीन विधि है जो सत्यापन योग्य पुरस्कारों (verifiable rewards) के साथ सुदृढीकरण शिक्षण (reinforcement learning) में रिवॉर्ड हैकिंग का प्रभावी ढंग से पता लगाने और उसे दबाने के लिए एक मॉडल की आंतरिक गणनाओं से ग्रेडिएंट फिंगरप्रिंट्स का लाभ उठाता है, जो मौजूदा टेक्स्ट-आधारित मॉनिटरिंग बेसलाइन की तुलना में काफी बेहतर प्रदर्शन करता है और फाइन-ट्यूनिंग पाइपलाइनों में एकीकृत होने पर वास्तविक कार्य प्रदर्शन में सुधार करता है।