23164 पेपर
यह शोध सैद्धांतिक विश्लेषण और अनुभवजन्य सत्यापन के माध्यम से यह प्रदर्शित करता है कि एक एन्सेम्बल (ensemble) के भीतर व्यक्तिगत मॉडलों में फीचर महत्व अनुमानों को एकत्रित करना, पूरे एन्सेम्बल की व्याख्या करने की तुलना में अधिक सटीक परिणाम देता है, विशेष रूप से उन अभिव्यंजक मॉडलों के लिए जहाँ विश्वसनीय वैज्ञानिक खोज के लिए अतिरिक्त जोखिम को कम करना महत्वपूर्ण है।
यह शोध पत्र एक हाइब्रिड क्वांटम प्रॉक्सिमल पॉलिसी ऑप्टिमाइज़ेशन (QPPO) फ्रेमवर्क प्रस्तावित करता है जो ट्रांसमिट पावर और SIM फेज शिफ्ट को कुशलतापूर्वक अनुकूलित करने के लिए एक्टर नेटवर्क में पैरामीट्रिक क्वांटम सर्किट को एकीकृत करता है, जिससे पारंपरिक डीप रिइन्फोर्समेंट लर्निंग विधियों की तुलना में SIM-असिस्टेड वायरलेस नेटवर्क में सीक्रेसी रेट और अभिसरण गति (convergence speed) में उल्लेखनीय वृद्धि होती है।
यह शोध पत्र 'क्रिटीक-रेज़िलिएंट बेंचमार्किंग' (Critique-Resilient Benchmarking) प्रस्तुत करता है, जो एक प्रतिकूल ढांचा (adversarial framework) है जो उत्तरों को गलत सिद्ध करने में प्रतिकूलों की अक्षमता के माध्यम से शुद्धता को परिभाषित करते हुए, और स्थानीय दावों के लिए मनुष्यों को सीमित सत्यापनकर्ताओं (bounded verifiers) के रूप में उपयोग करते हुए, मानव समझ से परे फ्रंटियर लार्ज लैंग्वेज मॉडल्स के मूल्यांकन को सक्षम बनाता है।
यह शोध पत्र "विज़न वर्महोल" (Vision Wormhole) प्रस्तुत करता है, जो एक यूनिवर्सल विज़ुअल कोडेक का उपयोग करके रीजनिंग ट्रेसेस (reasoning traces) को एक साझा निरंतर स्थान (shared continuous space) में मैप करने के माध्यम से विषम मल्टी-एजेंट सिस्टम के बीच कुशल लेटेंट-स्टेट संचार को सक्षम बनाता है, जिससे अलाइनमेंट जटिलता कम होती है और गति एवं सटीकता दोनों में सुधार होता है।
यह शोध पत्र जेनेरेटिव ICDM (GICDM) प्रस्तुत करता है, जो एक मल्टी-स्केल विधि है जो उच्च-आयामी एम्बेडिंग स्पेस में हबनेस घटना (hubness phenomenon) को कम करती है ताकि दूरी-आधारित जेनेरेटिव मॉडल मूल्यांकन मेट्रिक्स की विश्वसनीयता और मानवीय संरेखण (human alignment) को बहाल किया जा सके।
यह शोधपत्र एक सैंपलर-केंद्रित ओरैकल फ्रेमवर्क पेश करता है यह प्रदर्शित करने के लिए कि कुछ-चरणों वाले डिस्क्रीट डिफ्यूजन लैंग्वेज मॉडल्स स्वाभाविक सैंपलिंग त्रुटियों से ग्रस्त होते हैं और पूर्ण डेनोइज़र होने के बावजूद वितरणत्मक शुद्धता (डिस्ट्रीब्यूशनल करेक्टनेस) प्राप्त करने में विफल रहते हैं, जो यह प्रकट करता है कि NLL और पर्प्लेक्सिटी जैसे मानक मेट्रिक्स सटीक सैंपलिंग की गारंटी नहीं देते हैं।
यह शोध पत्र फ्लो-एंकोर्ड नॉइज़-कंडीशन्ड क्यू-लर्निंग (FAN) प्रस्तुत करता है, जो एक कुशल ऑफलाइन रीइन्फोर्समेंट लर्निंग एल्गोरिदम है जो फ्लो पॉलिसियों और डिस्ट्रीब्यूशनल क्रिटिक्स को केवल एक इटरेशन और नॉइज़ सैंपल की आवश्यकता के लिए अनुकूलित करके रोबोटिक कार्यों में अत्याधुनिक प्रदर्शन प्राप्त करता है, जिससे सटीकता से समझौता किए बिना कम्प्यूटेशनल लागतों को काफी कम किया जा सकता है।
यह शोधपत्र कंट्रास्टिव रिप्रेजेंटेशन लर्निंग के लिए एक एकीकृत सांख्यिकीय शिक्षण सिद्धांत स्थापित करता है जो इष्टतम रैंकिंग के साथ कंट्रास्टिव लॉस की सांख्यिकीय निरंतरता को सिद्ध करता है, बड़े नेगेटिव सैंपल सेट्स के लाभों की व्याख्या करने वाले सामान्यीकरण बाउंड्स (generalization bounds) व्युत्पन्न करता है, और अतिरिक्त कंट्रास्टिव जोखिम एवं रिट्रीवल उप-इष्टतमता (retrieval suboptimality) के बीच एक मात्रात्मक संबंध प्रदान करता है।
यह शोध पत्र CoAD का प्रस्ताव करता है, जो एक नवीन और हल्का ढांचा (framework) है जो मौजूदा विधियों की सामान्यीकरण (generalization) और मास्किंग मिसअलाइनमेंट (masking misalignment) सीमाओं को दूर करने के लिए एक सहकारी डिजाइन के माध्यम से आउटलायर एक्सपोज़र (outlier exposure) और मास्क ऑटोएनकोडर (masked autoencoder) प्रतिमानों को एकीकृत करता है, जिससे सूक्ष्म और लंबे समय तक चलने वाले टाइम सीरीज़ विसंगतियों (time series anomalies) का पता लगाने में उत्कृष्ट प्रदर्शन प्राप्त होता है।
यह शोध पत्र RightNow-Arabic-0.5B-Turbo को प्रस्तुत करता है, जो शब्दावली इंजेक्शन (vocabulary injection) और व्यापक फाइन-ट्यूनिंग के माध्यम से Qwen2.5-0.5B पर निर्मित एक ओपन-सोर्स, 518M-पैरामीटर वाला अरबी-विशेषित भाषा मॉडल है, जो 1B से कम वाले मॉडलों के बीच अत्याधुनिक प्रदर्शन प्राप्त करता है और 400 MB से कम क्वांटाइजेशन के साथ कुशल एज डिप्लॉयमेंट को सक्षम बनाता है।