19766 पेपर
यह शोध पत्र पारंपरिक पिक्सेल-आधारित व्यवधानों (perturbations) को जनरेटिव इनपेंटिंग (generative inpainting) से बदलकर LIME व्याख्यात्मकता पद्धति को उन्नत करने का प्रस्ताव करता है, ताकि यथार्थवादी, इन-डिस्ट्रीब्यूशन नमूने उत्पन्न किए जा सकें जो मशीन लर्निंग मॉडल के लिए दृश्य स्पष्टीकरण की गुणवत्ता और विश्वसनीयता में महत्वपूर्ण सुधार करते हैं।
यह शोध पत्र डिफ्यूजन स्कोर सेंसिटिविटी इंडेक्स (DSSI) को पेश करके स्कोर-आधारित जनरेटिव मॉडल्स के उस विरोधाभास को हल करता है जिसमें वे सभी मोड्स (modes) को कवर करने के बावजूद सही मिश्रण भार (mixture weights) सीखने में विफल रहते हैं, जो यह दर्शाता है कि सटीक भार की प्राप्ति लक्षित स्कोर के बजाय मध्यवर्ती शोर स्तरों (intermediate noise levels) पर डिफ्यूजन स्कोर मैचिंग लॉस की संवेदनशीलता पर निर्भर करती है।
यह शोध पत्र एक पूर्णतः स्वचालित, क्लोज्ड-लूप AutoML फ्रेमवर्क प्रस्तुत करता है जो अरबी, फारसी और अंग्रेजी डेटासेट्स पर बिना किसी मानवीय हस्तक्षेप के 93% से अधिक माध्य सटीकता और कम विलंबता (लो लेटेंसी) प्राप्त करते हुए, क्रॉस-लिंगुअल हस्तलिखित OCR के लिए न्यूरल आर्किटेक्चर को पुनरावृत्ति रूप से डिजाइन, प्रशिक्षित और परिष्कृत करने के लिए स्वायत्त एजेंटों के रूप में GPT-5, GPT-4o और Claude Sonnet 4 का लाभ उठाता है।
यह शोध पत्र एक डिपेंडेंसी-अवेयर सर्वरलेस ऑटोस्केलिंग फ्रेमवर्क प्रस्तावित करता है जो उच्च भविष्यवाणी सटीकता, कम त्रुटियों और प्रदर्शन लक्ष्यों को बनाए रखते हुए कम बुनियादी ढांचा लागत प्राप्त करने के लिए ग्राफ-आधारित बॉटलनेक पहचान, एक मल्टी-मॉडल कंसेंसस फोरकास्टिंग मैकेनिज्म और कॉस्ट-अवेयर कंट्रोल को एकीकृत करता है।
यह शोध पत्र कैश-अवेयर प्रॉम्प्ट कम्प्रेशन (CAPC) को प्रस्तुत करता है, जो एक ऐसी रणनीति है जो क्वेरी-अग्नोस्टिक कम्प्रेशन को स्पष्ट कैश नियंत्रण और टियर-प्रिजर्विंग बाउंड्स के साथ जोड़ती है ताकि क्वेरी-अवेयर विधियों की सीमाओं को दूर किया जा सके, जिससे विविध प्रोडक्शन LLM वर्कलोड्स में गुणवत्ता बनाए रखते हुए महत्वपूर्ण लागत कटौती (90% तक) प्राप्त की जा सके।
यह शोध पत्र 'प्लान, लर्न, अडैप्ट' (PLA) फ्रेमवर्क पेश करता है, जो एक तीन-चरणीय ऑन-डिवाइस सिस्टम है जो व्यवहार्य और अत्यधिक वांछनीय व्यक्तिगत यात्रा कार्यक्रम (itineraries) उत्पन्न करने के लिए हल्के प्लानर्स के एक समूह को एक कॉम्पैक्ट रिवॉर्ड मॉडल के साथ जोड़ता है, जो मानव मूल्यांकन में सिंगल प्लानर्स और फ्रंटियर LLMs दोनों से बेहतर प्रदर्शन करते हुए प्रोडक्शन-ग्रेड लेटेंसी और व्यवहार्यता प्राप्त करता है।
यह शोध पत्र एक तीन-चरणीय रीजनिंग-गाइडेड लर्निंग फ्रेमवर्क प्रस्तावित करता है जो एक सिम्बोलिक इंजन, एक प्रेफरेंस लर्नर और एक CP-SAT ऑप्टिमाइज़र को एकीकृत करता है ताकि व्यक्तिगत, नियम-अनुपालन वाली पैकिंग चेकलिस्ट जेनरेट की जा सके, जो सटीकता और बाधा संतुष्टि (कन्स्ट्रेंट सैटिस्फेक्शन) में मौजूदा LLMs और ग्रीडी मेथड्स से काफी बेहतर प्रदर्शन करते हुए एक प्रोडक्शन ट्रैवल ऐप में वास्तविक दुनिया की प्रभावकारिता प्रदर्शित करता है।
यह शोध पत्र विजन-लैंग्वेज मॉडल्स में "क्वेश्चन-फर्स्ट पैराडॉक्स" (प्रश्न-प्रथम विरोधाभास) की पहचान और समाधान करता है—जहाँ छवियों से पहले प्रश्नों को रखना सहज रूप से धारणा का मार्गदर्शन तो करता है लेकिन उत्तर निर्माण में विफल रहता है—एक प्रशिक्षण-मुक्त "प्रॉम्प्ट इकोइंग" रणनीति पेश करके जो धारणा को निर्देशित करने और उत्तर तक पहुंच सुनिश्चित करने के लिए छवि के दोनों ओर प्रश्न को पुन: दोहराती है, जिससे कई बेंचमार्क पर प्रदर्शन में महत्वपूर्ण वृद्धि होती है।
यह शोधपत्र गैर-हेरफेर योग्य चरों वाले संदर्भगत कारण बैंडिट्स (contextual causal bandits) के लिए बेयसियन थॉमसन सैंपलिंग और सूचना-निर्देशित सैंपलिंग एल्गोरिदम प्रस्तावित करता है, जो एंट्रॉपी-निर्भर उप-रैखिक रिग्रेट बाउंड्स स्थापित करता है और उच्च-पुरस्कार निर्णय की पहचान को त्वरित करने के लिए साझा कारण तंत्रों का प्रभावी ढंग से लाभ उठाकर बेसलाइन की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।
यह शोध पत्र एक रूपरेखा प्रस्तावित करता है जो उन तीन स्थितियों को परिभाषित करती है जब निरंतर शिक्षण (continual learning) में स्थानांतरण (transfer) होना चाहिए और ट्रांसफर-सिलेक्टिव रिप्ले (TSR) पेश करता है, जो एक ऐसी विधि है जो बिना पुनर्रचना (retraining) की आवश्यकता के स्थिरता बनाए रखते हुए फॉरवर्ड ट्रांसफर को महत्वपूर्ण रूप से सुधारने के लिए संगत पिछले डेटा को चुनिंदा रूप से रिप्ले करती है।