10757 पेपर
यह शोध पत्र ScopeEdit प्रस्तुत करता है, जो मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स के लिए एक ऑनलाइन एडिटर है जो अपडेट को ऑर्थोगोनल लो-रैंक स्पेस के भीतर मोडैलिटी-लोकल और एविडेंस-गेटेड शेयर्ड ब्रांचेस में विघटित करके एडिट-स्कोपेड जनरलाइजेशन प्राप्त करता है, जिससे स्थिर क्रॉस-मोडल नॉलेज ट्रांसफर सुनिश्चित होता है और साथ ही सिमेंटिक बाउंड्रीज़ को सख्ती से नियंत्रित करते हुए निरंतर कंप्यूटेशनल ओवरहेड बनाए रखा जाता है।
मोलसाइट (MolSight) एक नवीन ग्राफ-अवेयर विजन-लैंग्वेज मॉडल है जो रासायनिक-बंध आसन्नता (chemical-bond adjacency) के लिए एक मॉलिक्यूलर टोपोलॉजी मॉड्यूल और विजुअल-सिमेंटिक संरेखण (visual-semantic alignment) के लिए एक मॉलिक्यूलर ग्राउंडिंग मॉड्यूल को एकीकृत करके आणविक छवि समझ को बढ़ाता है, जिससे यह रासायनिक तर्क कार्यों में मौजूदा मॉडलों से काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र एक लिक्विड न्यूरल नेटवर्क-आधारित मॉडल प्रस्तावित करता है जो टर्बोफैन इंजन स्वास्थ्य निगरानी के लिए एक व्याख्यात्मक वर्ल्ड मॉडल बनाने हेतु लेटेंट स्टेट्स को विसंयोजित (disentangled) डिग्रेडेशन और ऑपरेटिंग-कंडीशन घटकों में विभाजित करता है, जो GRU बेसलाइन की तुलना में सीधे शेष उपयोगी जीवन (RUL) रिग्रेशन प्रदर्शन में थोड़ी कम सटीकता के बावजूद, C-MAPSS बेंचमार्क पर बेहतर सेंसर पूर्वानुमान सटीकता और स्पष्ट डिग्रेडेशन प्रक्षेपवक्र प्राप्त करता है।
यह शोध पत्र EduArt को प्रस्तुत करता है, जो कई भाषाओं और प्रारूपों में 871 मानव-लिखित प्रश्नों से बना एक मनोवैज्ञानिक रूप से सुदृढ़, शैक्षिक-स्तरीय बेंचमार्क है, जो यह प्रकट करता है कि जहाँ लार्ज लैंग्वेज मॉडल्स बहुविकल्पीय कला इतिहास पहचान में उत्कृष्ट हैं, वहीं उनका प्रदर्शन मुक्त-अंत वाले (open-ended) और त्रुटि-पहचान वाले कार्यों पर नाटकीय रूप से गिर जाता है, जो पहचान और कला-ऐतिहासिक ज्ञान को विश्वसनीय रूप से तैनात करने की क्षमता के बीच एक महत्वपूर्ण अंतर को उजागर करता है।
यह शोध पत्र STAR3 प्रस्तुत करता है, जो एक मल्टीमॉडल रिट्रीवल फ्रेमवर्क है जो क्षेत्र-स्तरीय शारीरिक निष्कर्षों (region-level anatomical findings) को नैदानिक संकेत और अनुदैर्ध्य रोग प्रगति (longitudinal disease progression) के साथ संरेखित करके स्वचालित रेडियोलॉजी रिपोर्ट जनरेशन को बढ़ाता है, जिससे यह MIMIC-CXR डेटासेट पर मौजूदा विधियों से बेहतर प्रदर्शन करता है।
सीमित लेबल वाले डेटा के तहत अर्ध-पर्यवेक्षित चिकित्सा छवि विभाजन (semi-supervised medical image segmentation) में इंट्रा-क्लास विषमता (intra-class heterogeneity) की चुनौती को संबोधित करने के लिए, यह शोध पत्र मल्टीपल प्रोटोटाइप कंट्रास्टिव लर्निंग (MPCL) का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो बेहतर विविधता और विभाजन परिशुद्धता प्राप्त करने के लिए तीव्रता-संरेखित विषम प्रोटोटाइप (intensity-aligned heterogeneous prototypes), प्रोटोटाइप स्पेस ऑप्टिमाइज़ेशन और डुअल-ब्रांच नॉलेज अलाइनमेंट का लाभ उठाता है।
यह शोध पत्र स्ट्रक्चर-अवेयर स्ट्रैटिफाइड पार्टीशनिंग (SASP) को डेटा लीकेज रोकने के लिए और करिकुलम डिस्ट्रीब्यूशनली रोबस्ट ऑप्टिमाइज़ेशन (CDRO) को प्रशिक्षण को स्थिर करने के लिए संयोजित करते हुए एक एकीकृत ढांचे को पेश करके, स्थानिक रूप से सहसंबंधित डोमेन में रैंडम डेटासेट स्प्लिट्स की सीमाओं को संबोधित करता है, जिससे अधिक विश्वसनीय सामान्यीकरण प्राप्त होता है और छिपे हुए विफलता मोड का पता चलता है।
DeepGaze3.5-VL विज़ुअल स्कैनपाथ प्रेडिक्शन (visual scanpath prediction) में एक नया अत्याधुनिक स्तर (state-of-the-art) स्थापित करता है, जो इस कार्य को विज़न-लैंग्वेज मॉडल के भीतर ऑटोरिग्रेसिव टोकन जनरेशन (autoregressive token generation) के रूप में पुनर्गठित करता है, जिससे दर्शक की पहचान और कार्यों पर लचीली कंडीशनिंग सक्षम होती है और साथ ही महत्वपूर्ण प्रदर्शन लाभ प्राप्त होते हुए नियंत्रित इन-सिलिको व्यवहार संबंधी सिमुलेशन (in-silico behavioral simulations) की सुविधा मिलती है।
यह शोध पत्र ESC (इमोशनल सेल्फ-करेक्शन) का प्रस्ताव करता है, जो एक प्रशिक्षण-मुक्त ढांचा है जो विजन-लैंग्वेज मॉडल्स में लेटेंट सेल्फ-करेक्शन व्यवहारों को ट्रिगर करने के लिए इमोशनल क्यूज़ को एक कंट्रोल सिग्नल के रूप में उपयोग करता है, जिससे बिना किसी अतिरिक्त फाइन-ट्यूनिंग के उनकी विश्वसनीयता और तर्क क्षमता में सुधार होता है।
यह शोध पत्र TCG-AR को प्रस्तुत करता है, जो एक वास्तविक समय (real-time), मार्कर-मुक्त ऑगमेंटेड रियलिटी पाइपलाइन है जो विशेष हार्डवेयर की आवश्यकता के बिना, लाइव स्ट्रीमिंग को बेहतर बनाने के लिए केवल सामान्य RGB कैमरों और स्वचालित रूप से उत्पन्न सिंथेटिक डेटा का उपयोग करके ट्रेडिंग कार्ड्स पर वर्चुअल कंटेंट का पता लगाने, पहचान करने और उसे ओवरले करने के लिए उपयोग किया जाता है।