24235 पेपर
यह शोध पत्र कोर्स-ग्रेन्ड मॉलिक्यूलर डायनेमिक्स के लिए एक मशीन-लर्निंग फ्रेमवर्क प्रस्तुत करता है जो पारंपरिक फोर्स मैचिंग को स्टोकेस्टिक हेसियन-वेक्टर प्रोडक्ट मैचिंग के साथ जोड़कर दूसरे क्रम की वक्रता (सेकंड-ऑर्डर कर्वेचर) की जानकारी को शामिल करता है, जिससे बायोमॉलिक्यूलर सिमुलेशन के लिए कोर्स-ग्रेन्ड पोटेंशियल की सटीकता और हस्तांतरणीयता में महत्वपूर्ण सुधार होता है।
ऑर्थ्रस (Orthrus) एक मेमोरी-कुशल द्वि-आर्किटेक्चर फ्रेमवर्क है जो समानांतर टोकन जनरेशन को सक्षम करने के लिए एक हल्के डिफ्यूजन मॉड्यूल को एक फ्रीज़्ड ऑटो-रिग्रेसिव एलएलएम (LLM) के साथ एकीकृत करता है, जबकि एक साझा केवी (KV) कैश और सटीक सर्वसम्मति तंत्र के माध्यम से लॉसलेस इन्फरेंस फिडेलिटी की गारंटी देता है।
यह शोध पत्र वास्तविक दुनिया के व्यवहार संबंधी डेटासेट में लुप्त अवलोकनों (missing observations) की समस्या को संबोधित करता है जो इनवर्स रिइन्फोर्समेंट लर्निंग (IRL) को गुमराह कर सकते हैं, और एक ऐसे एल्गोरिदम का प्रस्ताव करता है जो विशेषज्ञ कार्यों को इष्टतम (optimal) दिखाने के लिए आवश्यक न्यूनतम व्यवधानों (minimal perturbations) को परिमाणित करता है, जिससे स्वास्थ्य सेवा जैसे अनुप्रयोगों में संभावित डेटा अंतराल की पहचान करने में मदद मिलती है।
यह शोध पत्र डिस्क्रीट स्टोकेस्टिक लोकलाइजेशन (DSL) को प्रस्तुत करता है, जो यूनिट-स्फीयर टोकन एम्बेडिंग वाला एक निरंतर-अवस्था ढांचा है जो एक एकल प्रशिक्षित नेटवर्क को विविध सैंपलिंग पथों—जिसमें मास्क किया गया डिफ्यूजन, रैंडम-ऑर्डर ऑटोरेग्रेसिव, और हाइब्रिड निरंतर-डिस्क्रीट रणनीतियां शामिल हैं—को सक्षम बनाता है, जिससे बिना किसी डिस्टिलेशन या रिट्रेनिंग के नॉन-ऑटोरेग्रेसिव जनरेशन में वितरण संबंधी निष्ठा (distributional faithfulness) में महत्वपूर्ण सुधार होता है।
यह शोध पत्र बेयसियन मॉडल मर्जिंग (BMM) को प्रस्तुत करता है, जो एक प्लग-एंड-प्ले द्वि-स्तरीय अनुकूलन ढांचा है जो बिना संयुक्त पुनरप्रशिक्षण या सहायक डेटा के, कई कार्य-विशिष्ट मॉडलों को एक एकल उच्च-प्रदर्शन वाले मॉडल में कुशलतापूर्वक मिलाने के लिए मजबूत एंकर प्रायर्स (anchor priors) को बेयसियन अनुकूलन के साथ जोड़ता है।
यह शोध पत्र उभरते हुए मिसअलाइनमेंट (misalignment) को समझाने के लिए "पर्सोना-मॉडल कोलैप्स" (persona-model collapse) की अवधारणा प्रस्तुत करता है, जो नैतिक संवेदनशीलता और सुदृढ़ता के व्यवहार संबंधी मेट्रिक्स के माध्यम से यह प्रदर्शित करता है कि हानिकारक डेटा पर लार्ज लैंग्वेज मॉडल्स को फाइन-ट्यून करने से पात्रों के बीच अंतर करने और उन्हें निरंतर रूप से सिम्युलेट करने की उनकी क्षमता गंभीर रूप से घट जाती है, एक ऐसा प्रभाव जो मेल खाते सुरक्षित नियंत्रण समूहों (matched secure controls) में नहीं देखा गया।
यह शोध पत्र सबमॉड्यूलर मोडैलिटी एलाइनर (SMA) का प्रस्ताव करता है, जो एक सेट-आधारित मल्टीमॉडल लर्निंग फ्रेमवर्क है जो समृद्ध क्रॉस-मोडल ज्यामितीय संरचनाओं को कैप्चर करने के लिए सबमॉड्यूलर म्यूचुअल इंफॉर्मेशन का लाभ उठाता है ताकि डेटा की कमी को दूर किया जा सके, जिससे मानक पेयरवाइज दृष्टिकोणों की तुलना में आदेशों के परिमाण (orders of magnitude) कम प्रशिक्षण नमूनों के साथ सशक्त ज़ीरो-शॉट सामान्यीकरण प्राप्त किया जा सके।
यह शोध पत्र "डिस्क्रिप्टिव कोलिजन" (descriptive collision) को पहचानता और औपचारिक रूप देता है, जो स्पार्स ऑटोएन्कोडर व्याख्यात्मकता (sparse autoencoder interpretability) में एक पूर्व में अनदेखा किया गया विफलता मोड है जहाँ विशिष्ट विशेषताएं समान प्राकृतिक-भाषा स्पष्टीकरण साझा करती हैं, और ऐसे गैर-विभेदक एनोटेशन को दंडित करने के लिए नए मेट्रिक्स प्रस्तावित करता है जो कृत्रिम रूप से रिपोर्ट की गई व्याख्यात्मकता को बढ़ाते हैं।
यह शोध पत्र स्टीयर-टू-डिटेक्ट (S2D) का प्रस्ताव करता है, जो एक दो-चरणीय ढांचा है जो एक फ्रोजन ऑब्जर्वर मॉडल के हिडन स्टेट्स में स्टीयरिंग वेक्टर्स को सीखने और इंजेक्ट करने के माध्यम से क्लास सेपरेबिलिटी (वर्ग पृथक्करणीयता) में सुधार करके LLM-जनित टेक्स्ट के डिटेक्शन को बढ़ाता है, जो सैद्धांतिक त्रुटि गारंटी और विविध परिदृश्यों में मजबूत अनुभवजन्य प्रदर्शन द्वारा समर्थित है।
यह शोधपत्र RISED को प्रस्तुत करता है, जो एक व्यापक पूर्व-तैनाती सुरक्षा ढांचा (pre-deployment safety framework) है, जो नैदानिक AI प्रणालियों का पांच आयामों—विश्वसनीयता (Reliability), समावेशिता (Inclusivity), संवेदनशीलता (Sensitivity), समानता (Equity), और तैनातक्षमता (Deployability)—में मूल्यांकन करता है, ताकि उन महत्वपूर्ण विफलताओं का पता लगाया जा सके जिन्हें समग्र सटीकता मेट्रिक्स द्वारा छोड़ दिया जाता है और एक सुदृढ़, न्यायसंगत और परिचालन रूप से व्यवहार्य तैनाती सुनिश्चित की जा सके।