23522 पेपर
यह शोध पत्र सेंटिनल-2 डेटा में स्वचालित झील पहचान के लिए शास्त्रीय NDWI थ्रेशोल्डिंग के विरुद्ध तीन मशीन लर्निंग आर्किटेक्चर का मूल्यांकन करता है और जल गुणवत्ता सूचकांकों के दृश्यीकरण और व्याख्या को बढ़ाने के लिए बेहतर कलर मैपिंग स्कीम्स का प्रस्ताव करता है।
यह शोध पत्र AnnotateMissense प्रस्तुत करता है, जो एक स्केलेबल फ्रेमवर्क है जो मिसेंस पैथोजेनेसिटी भविष्यवाणी के लिए मशीन लर्निंग मॉडल को बेंचमार्क करने हेतु विविध जीनोमिक और प्रोटीन-लैंग्वेज-मॉडल फीचर्स को एकीकृत करता है, जो ClinVar डेटा पर उच्च सटीकता प्राप्त करता है और 90 मिलियन से अधिक वेरिएंट्स के लिए जीनोम-व्यापी एनोटेशन उत्पन्न करता है।
माइंडअलाइन (MindAlign) एक त्रि-आयामी कंट्रास्टिव फ्रेमवर्क पेश करता है जो दो-चरणीय प्री-ट्रेनिंग और संयुक्त संरेखण प्रक्रिया के माध्यम से EEG, दृश्य और पाठ्य निरूपणों को संरेखित करता है, जिससे थिंग्स-ईईजी2 (Things-EEG2) बेंचमार्क पर अत्याधुनिक ज़ीरो-शॉट विज़ुअल डिकोडिंग प्रदर्शन प्राप्त होता है और साथ ही मजबूत सामान्यीकरण और तंत्रिका-शारीरिक वैधता प्रदर्शित होती है।
यह शोधपत्र गैर-आक्रामक मस्तिष्क-से-भाषा डिकोडिंग के लिए एक ऑडिटिंग फ्रेमवर्क प्रस्तुत करता है जो अतिरंजित प्रदर्शन मेट्रिक्स को संरचनात्मक शॉर्टकट, उद्दीपन-बद्ध साक्ष्य और प्रासंगिक एकत्रीकरण में अलग करता है, और एक नवीन 'ग्रुप कॉन्टेक्स्ट बायस' हस्तक्षेप के माध्यम से यह प्रदर्शित करता है कि रिपोर्ट किए गए लाभ अक्सर गैर-तंत्रिका कारकों द्वारा संचालित होते हैं और उन्हें केवल रिपोर्ट करने के बजाय कठोरता से स्रोत-आरोपित किया जाना चाहिए।
यह शोध पत्र एक आगमनात्मक अनुमान (inductive inference) कार्य में मानव बच्चों और LLM-आधारित एजेंटों की तुलना करता है, जो यह प्रकट करता है कि हालांकि दोनों विशिष्ट कम्प्यूटेशनल तंत्रों के माध्यम से पर्यावरणीय अनिश्चितता और साक्ष्य विश्वसनीयता के प्रति समान रूप से अनुकूलित होते हैं, फिर भी LLMs बच्चों की तुलना में अत्यधिक अवलोकन (over-observation) और निर्देश अनुपालन की अनूठी प्रवृत्तियों को प्रदर्शित करते हैं।
यह शोधपत्र एक ज़ीरो-शॉट जेलब्रेक डिफेंस फ्रेमवर्क प्रस्तावित करता है जो विविध प्रतिकूल सक्रियणों (adversarial activations) को सिम्युलेट करने के लिए अनसुपरवाइज्ड लेटेंट डायरेक्शन डिस्कवरी का उपयोग करता है और अनदेखे जेलब्रेक्स को इनकार (refusal) की ओर प्रभावी ढंग से मोड़ने के लिए एक पोटेंशियल-इंड्यूस्ड स्टीयरिंग फील्ड को प्रशिक्षित करता है, जबकि सौहार्दपूर्ण उपयोगिता (benign utility) को सुरक्षित रखता है।
यह शोध पत्र इस बात की जांच करता है कि कैसे एआई-संचालित अनुकूलनशील विरोधी (AI-driven adaptive adversaries), कार्यान्वयन-स्तरीय अवलोकनीयताओं (implementation-level observabilities) का लाभ उठाकर पब्लिक की क्रिप्टोग्राफी को कमजोर कर रहे हैं, जिससे पारंपरिक एल्गोरिदम-केंद्रित सुरक्षा मॉडलों और आधुनिक परिचालन हमले की वास्तविकताओं के बीच एक महत्वपूर्ण विसंगति उजागर होती है।
यह शोध पत्र फेडरेटेड मेमोराइजेशन प्रूनिंग (FedMemPrune) का प्रस्ताव करता है, जो एक नया 'ग्रुपड मेमोराइजेशन इवैल्यूएशन' मीट्रिक का लाभ उठाने वाला एक नवीन फेडरेटेड अनलर्निंग दृष्टिकोण है, जो मॉडल की उपयोगिता से समझौता किए बिना प्रभावी अनलर्निंग प्राप्त करने के लिए ओवरलैपिंग पैटर्न को संरक्षित करते हुए अद्वितीय मेमोराइज्ड जानकारी को अलग करने और हटाने का कार्य करता है।
यह शोधपत्र Deep ZakaiJ का प्रस्ताव करता है, जो एक न्यूरल एनकोडर-डिकोडर फ्रेमवर्क है जो व्याख्या योग्य प्रोपेगेशन और इनोवेशन स्टेप्स के माध्यम से लेटेंट स्टेट बिलीफ्स को पुनरावर्ती रूप से अपडेट करके आंशिक रूप से अवलोकित जंप-डिफ्यूजन टाइम सीरीज़ का प्रभावी ढंग से पूर्वानुमान लगाने के लिए ज़ाकाई नॉनलीनियर फ़िल्टरिंग समीकरण को एम्बेड करता है।
यह शोध पत्र एक "बफर-एंड-रिनफोर्स" (Buffer-and-Reinforce) फाइन-ट्यूनिंग फ्रेमवर्क प्रस्तावित करता है जो हानिकारक ग्रेडिएंट्स को बफर करने के लिए अस्थायी जेलब्रेकिंग एडेप्टर्स का उपयोग करता है और तत्पश्चात QR डिकंपोजिशन-आधारित मर्जिंग के माध्यम से सुरक्षा संरेखण को सुदृढ़ करता है, जिससे बिना किसी अतिरिक्त सुरक्षा डेटा या महत्वपूर्ण कम्प्यूटेशनल ओवरहेड के लार्ज लैंग्वेज मॉडल्स को हानिकारक फाइन-ट्यूनिंग हमलों से सुरक्षित रखा जा सके।