22037 पेपर
यह शोध पत्र FISHER को प्रस्तुत करता है, जो मल्टी-मोडल औद्योगिक सिग्नल रिप्रजेंटेशन के लिए एक फाउंडेशन मॉडल है जो नवीन सब-बैंड मॉडलिंग और टीचर-स्टूडेंट सेल्फ-डिस्टिलेशन के माध्यम से डेटा विषमता को संबोधित करता है, और 19 डेटासेट्स में बेहतर नैदानिक सटीकता और बहुमुखी प्रतिभा प्राप्त करते हुए बड़े स्टेट-ऑफ-द-आर्ट मॉडल्स को महत्वपूर्ण रूप से पीछे छोड़ देता है।
यह अध्ययन सर्वाइकल कैंसर का पता लगाने के लिए यू-नेट (U-Net) सेगमेंटेशन और वर्गीकरण को संयोजित करने वाले एक डीप लर्निंग फ्रेमवर्क का प्रस्ताव करता है, जिसमें यह पाया गया कि हालांकि हर्लेव (Herlev) डेटासेट पर इमेज सेगमेंटेशन से प्रिसिजन (precision) और एफ1-स्कोर (F1-score) में मामूली सुधार होता है, लेकिन वर्गीकरण प्रदर्शन पर इसका समग्र प्रभाव सीमित बना हुआ है।
यह शोध पत्र LLM मूल्यांकनकर्ताओं में अनुचित आत्म-वरीयता पूर्वाग्रह (self-preference bias) को कम करने के लिए हल्के इन्फरेंस-टाइम स्टीयरिंग वेक्टर्स (lightweight inference-time steering vectors) के उपयोग का प्रस्ताव करता है, जो पूर्वाग्रह में 97% तक की कमी प्राप्त करता है और यह भी प्रकट करता है कि ऐसे हस्तक्षेप वैध आत्म-वरीयता के लिए अस्थिर बने रहते हैं, जिससे सक्रियण-आधारित सुरक्षा उपायों (activation-based safeguards) की क्षमता और सीमाओं दोनों पर प्रकाश पड़ता है।
यह शोध पत्र एक रीइन्फोर्समेंट लर्निंग फ्रॉम ह्यूमन फीडबैक (RLHF) फ्रेमवर्क प्रस्तावित करता है जो ऑडियो कैप्शनिंग सिस्टम को फाइन-ट्यून करने के लिए मानव युग्म वरीयताओं (pairwise preferences) पर प्रशिक्षित CLAP-आधारित रिवॉर्ड मॉडल का उपयोग करता है, जिससे ग्राउंड-ट्रुथ एनोटेशन की आवश्यकता के बिना सुपरवाइज्ड विधियों के तुलनीय प्रदर्शन प्राप्त होता है और मानव वरीयताओं के साथ बेहतर तालमेल बिठाता है।
यह शोध पत्र CoCoGen का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो सामाजिक कल्याण को अधिकतम करने के लिए अंतर-संगठनात्मक प्रतिस्पर्धा और सांख्यिकीय विषमता को मॉडल करके क्रॉस-सिलो फेडरेटेड लर्निंग को अनुकूलित करने हेतु जनरेटिव एआई (generative AI) और संभावित गेम थ्योरी (potential game theory) का लाभ उठाता है।
यह शोध पत्र HyMaTE को प्रस्तुत करता है, जो एक नवीन हाइब्रिड मॉडल है जो इलेक्ट्रॉनिक हेल्थ रिकॉर्ड (EHR) डेटा में स्पर्सिटी (sparsity), लुप्त मानों (missing values) और लंबी अनुक्रमों (long sequences) की चुनौतियों को प्रभावी ढंग से संबोधित करने के लिए Mamba स्टेट स्पेस मॉडल्स की लीनियर-टाइम दक्षता को ट्रांसफॉर्मर्स की चैनल-लेवल मिक्सिंग क्षमताओं के साथ जोड़ता है, जो क्लिनिकल प्रेडिक्शन कार्यों में उत्कृष्ट प्रदर्शन और व्याख्यात्मकता प्रदर्शित करता है।
यह शोध पत्र क्लासिफायर-आधारित गुणवत्ता फ़िल्टरिंग (CQF) का विश्लेषण करते हुए यह प्रकट करता है कि इसकी प्रभावशीलता केवल "स्वर्ण" मानकों की पहचान करने के बजाय उच्च और निम्न दोनों प्रकार के डेटा को अंतर्निहित रूप से फ़िल्टर करने से आती है, और डेटा गुणवत्ता के लिए एक अनुकूलन-संचालित मीट्रिक पेश करता है जिसे छोटे पैमाने के प्रॉक्सी प्रयोगों के माध्यम से विश्वसनीय रूप से अनुमानित किया जा सकता है।
डेबेट2क्रिएट (D2C) एक मल्टी-एजेंट एलएलएम (LLM) फ्रेमवर्क है जो संरचित, भौतिकी-आधारित पुनरावृत्ति बहसों के माध्यम से रोबोट की आकृति विज्ञान (morphology) और रिवॉर्ड फंक्शन को अनुकूलित करता है, जिससे कई लोकोमोशन बेंचमार्क में मौजूदा बेसलाइन्स की तुलना में महत्वपूर्ण प्रदर्शन लाभ प्राप्त होता है।
यह शोधपत्र FiMMIA को प्रस्तुत करता है, जो एक मॉड्यूलर फ्रेमवर्क है जो वितरण परिवर्तनों (distribution shifts) को संबोधित करके और विभिन्न फाइन-ट्यून्ड मॉडलों में डेटा संदूषण (data contamination) का पता लगाने के लिए एक न्यूरल नेटवर्क को प्रशिक्षित करके मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स तक परटर्बेशन-आधारित मेंबरशिप इन्फरेंस हमलों का विस्तार करता है।
तीन ईईजी (EEG) डेटासेट्स के माध्यम से 3,40,,000 से अधिक एल्गोरिद्मिक कॉन्फ़िगरेशन का यह बड़े पैमाने पर किया गया बेंचमार्क यह प्रदर्शित करता है कि जहाँ कोवेरिएंस टेंजेंट स्पेस प्रोजेक्शन और कॉमन स्पेशियल पैटर्न्स उच्च औसत सटीकता प्राप्त करते हैं, वहीं महत्वपूर्ण अंतर-और-प्रतिभागी परिवर्तनशीलता के कारण कोई भी एकल विधि मोटर इमेजरी डिकोडिंग को सार्वभौमिक रूप से अनुकूलित नहीं कर पाती है, जिससे व्यक्तिगत और अनुकूलन योग्य बीसीआई (BCI) पाइपलाइनों की महत्वपूर्ण आवश्यकता रेखांकित होती है।