22423 पेपर
यह शोधपत्र सेंसरिमोटर वर्ल्ड मॉडल (SMWM) को प्रस्तुत करता है, जो एक लेटेंट वर्ल्ड मॉडल है जिसे रिप्रेजेंटेशन कोलैप्स को रोकने और एक्शन-अलाइन्ड रिप्रेजेंटेशन को प्रेरित करने के लिए इनवर्स डायनेमिक्स रेगुलराइजेशन के साथ एंड-टू-एंड प्रशिक्षित किया गया है, जो जटिल आर्किटेक्चरल बाधाओं के बिना प्रतिस्पर्धी प्लानिंग के लिए कॉम्पैक्ट लेटेंट स्पेस के रिवॉर्ड-फ्री लर्निंग को सक्षम बनाता है।
यह शोध पत्र EFIQA को प्रस्तुत करता है, जो फंडस इमेज क्वालिटी असेसमेंट के लिए एक नवीन, लेबल-मुक्त ढांचा है, जो व्याख्यात्मक स्थानिक गुणवत्ता मानचित्र (spatial quality maps) उत्पन्न करने के लिए मास्क्ड इनपेंटिंग और फीचर डिस्टिलेशन के माध्यम से शारीरिक पूर्ववृत्तों (anatomical priors) का लाभ उठाता है, और सामान्यीकरण एवं व्याख्यात्मकता में सुपरवाइज्ड विधियों से बेहतर प्रदर्शन करता है।
Pose6DAug एक विफलता-संचालित डेटा ऑग्मेंटेशन फ्रेमवर्क है जो नए ऑब्जेक्ट्स के लिए विजन-लैंग्वेज-एक्शन (VLA) पॉलिसी के सामान्यीकरण को बढ़ाता है, जो नए डेटा संग्रह की आवश्यकता के बिना भौतिक रूप से प्रशंसनीय और मल्टी-व्यू सुसंगत प्रदर्शन उत्पन्न करने के लिए टेम्पोरली कोहेरेंट 6D पोज़ ट्राजेक्टरीज का उपयोग करके 3D स्पेस में मैनिपुलेटेड ऑब्जेक्ट्स को बदल देता है।
यह शोध पत्र एक नियंत्रित सीडेड ट्रांसक्रिप्शन त्रुटियों के संग्रह के माध्यम से वर्तमान LLM-जनित GPU कर्नेल बेंचमार्क में "सत्यता के भ्रम" (correctness illusion) को उजागर करता है, जो मानक फिक्स्ड-शेप 'allclose' जांचों को पास कर लेते हैं, लेकिन विविध हार्डवेयर पर उच्च-परिशुद्धता वाले CPU संदर्भों का उपयोग करने वाले अधिक कठोर, स्कीमा-जागरूक फज़िंग ओरेकल द्वारा विश्वसनीय रूप से पकड़े जाते हैं।
यह शोध पत्र एक अनुकूली (adaptive) LLM-आधारित हाई-स्कूल ट्यूटरिंग सिस्टम प्रस्तुत करता है जो शिक्षण संबंधी विशेषताओं (pedagogical features) पर प्रशिक्षित एक विषय-जागरूक प्रॉम्प्ट रूटिंग मॉडल का उपयोग करता है ताकि सीखने की रणनीतियों के बीच गतिशील रूप से स्विच किया जा सके, जो सिमुलेशन से वास्तविक दुनिया के परिनियोजन (deployment) में सफलतापूर्वक स्थानांतरित होता है जहाँ यह स्थिर बेसलाइनों की तुलना में इंटरैक्शन टर्न्स को कम करता है और अभ्यास रूपांतरण दरों (exercise conversion rates) में महत्वपूर्ण सुधार करता है।
यह शोध पत्र दो मल्टी-मोडल कंट्रास्टिव लर्निंग आर्किटेक्चर, MELT और SALT को प्रस्तुत करता है, जो इम्पलिसिट अर्थ एम्बेडिंग्स के लिए अनपेयर्ड जियोस्पेशियल डेटा का लाभ उठाते हैं, और यह प्रदर्शित करते हैं कि जबकि वे मजबूत टू-मोडैलिटी बेसलाइन्स के बराबर प्रदर्शन करते हैं, मोडैलिटी की विविधता बढ़ाने से प्रदर्शन में लगातार सुधार नहीं होता है क्योंकि यह कंट्रास्टिव ऑब्जेक्टिव के बजाय लोकेशन एनकोडर की सीमाओं के कारण है।
यह अध्ययन एक मशीन लर्निंग पाइपलाइन प्रस्तुत करता है जो जन्म के समय गर्भकालीन आयु (gestational age) की भविष्यवाणी करने और समयपूर्व जन्म (preterm birth) के जोखिम को वर्गीकृत करने के लिए मल्टी-मोडल भ्रूण एमआरआई (fetal MRI) डेटा का उपयोग करता है, जो 2.74 सप्ताह की औसत पूर्ण त्रुटि (mean absolute error) प्राप्त करता है और यह प्रदर्शित करता है कि गर्भाशय ग्रीवा की लंबाई (cervical length) और प्लेसेंटल टी2* (placental T2*) सांख्यिकी सबसे अधिक भविष्य कहने वाले लक्षण हैं।
यह समीक्षा 2022 और 2025 के बीच सेल-फ्री डीएनए-आधारित मल्टी-कैंसर अर्ली डिटेक्शन के लिए विकसित कम्प्यूटेशनल विधियों का परीक्षण करती है, जो मल्टीमॉडल एन्सेम्बल दृष्टिकोणों की बेहतर नैदानिक तत्परता पर प्रकाश डालते हुए वर्तमान तकनीकी और पद्धतिगत चुनौतियों को संबोधित करने के लिए मानकीकृत मूल्यांकन प्रोटोकॉल की महत्वपूर्ण आवश्यकता पर जोर देती है।
यह शोध पत्र यह स्थापित करता है कि क्वांटम फीचर कर्नेल का प्रभावी आयाम एक एकीकृत सिद्धांत के रूप में कार्य करता है जो यह स्पष्ट करता है कि क्यों विशिष्ट एंटैंगलमेंट संरचनाएं और नियंत्रित क्वांटम शोर क्वांटम विजन मॉडलों में सामान्यीकरण (generalization) में सुधार करते हैं, क्योंकि वे स्पेक्ट्रल रेगुलराइजेशन के एक रूप के रूप में कार्य करते हैं जो ओवरफिटिंग शासन (overfitting regimes) में मॉडल की क्षमता को इष्टतम रूप से संकुचित करता है।
यह अध्ययन विभिन्न सिंथेटिक और वास्तविक दुनिया के डेटासेट्स में विभिन्न कॉन्सेप्ट ड्रिफ्ट डिटेक्शन एल्गोरिदम का एक सैद्धांतिक विश्लेषण और व्यापक अनुभवजन्य मूल्यांकन प्रदान करता है ताकि उनकी विशेषताओं, व्यवहारों और विविध स्ट्रीमिंग वातावरणों में उनकी प्रयोज्यता को बेहतर ढंग से समझा जा सके।