1362 पेपर
BioProAgent एक न्यूरो-सिंबोलिक फ्रेमवर्क है जो अपरिवर्तनीय वेट-लैब वातावरणों में सुरक्षित, हार्डवेयर-अनुपालक वैज्ञानिक नियोजन सुनिश्चित करने के लिए लार्ज लैंग्वेज मॉडल्स को नियतात्मक फाइनाइट स्टेट मशीन्स और एक डिज़ाइन-वेरिफाई-रेक्टिफाई वर्कफ़्लो के साथ एकीकृत करता है, जिससे मौजूदा विधियों की तुलना में काफी उच्च भौतिक अनुपालन प्राप्त होता है।
यह शोध पत्र मल्टी-एजेंट डिबेट (Multi-Agent Debate) का विश्लेषण करने के लिए एक बेयसियन अनिश्चितता अपघटन ढांचे (Bayesian uncertainty decomposition framework) का प्रस्ताव करता है, जो यह प्रकट करता है कि प्रभावी तर्क एपिस्टेमिक लाभ (epistemic gain) को अधिकतम करने और एलियटोरिक लागत (aleatoric cost) को न्यूनतम करने पर निर्भर करता है, और इस अंतर्दृष्टि का लाभ उठाते हुए एक अनिश्चितता-निर्देशित सुदृढीकरण लर्निंग एल्गोरिदम (uncertainty-guided reinforcement learning algorithm) को डिजाइन करता है जो डिबेट की सटीकता और व्यक्तिगत मॉडल तर्क दोनों में महत्वपूर्ण सुधार करता है।
यह शोध पत्र एक दो-चरणीय विकासवादी खेल-सैद्धांतिक मॉडल प्रस्तावित करता है जो यह प्रदर्शित करता है कि मल्टी-एजेंट संचार प्रणालियों में रणनीतिक अन्वेषण (strategic exploration) को शामिल करना विश्वासघात की स्थिरता को कम करता है और सहकारी गठबंधनों को उत्प्रेरित करता है, जो अंततः एक सार्वभौमिक इष्टतम अन्वेषण दर को प्रकट करता है जो प्रणाली-व्यापी सहयोग को अधिकतम करती है।
यह शोध पत्र HALO का प्रस्ताव करता है, जो एक नियामक प्रतिमान (regulatory paradigm) है जो AI कार्यों के लिए सुरक्षित सीमाओं को परिभाषित करने हेतु व्यवहारिक हार्मोनिसिस (behavioral hormesis) की अवधारणा को लागू करता है, जो घटते सीमांत उपयोगिता (decreasing marginal utility) वाले एलोस्टैटिक विरोधी प्रक्रियाओं (allostatic opponent processes) के रूप में व्यवहारों को मॉडल करके वैल्यू-लोडिंग समस्या और पेपरक्लिप मैक्सिमाइज़र जैसे परिदृश्यों को रोकने हेतु एक संभावित समाधान प्रदान करता है।
Resp-Agent एक स्वायत्त मल्टीमॉडल सिस्टम है जिसमें एक एक्टिव एडवर्सरियल करिकुलम एजेंट है जो श्वसन ध्वनि विश्लेषण में सूचना की हानि और डेटा की कमी को दूर करने के लिए एक डायग्नोसर और एक फ्लो-मैचिंग जनरेटर को संचालित करता है, जो क्लास इम्बैलेंस के तहत बेहतर नैदानिक मजबूती प्राप्त करने के लिए एक नए 229k-रिकॉर्ड बेंचमार्क का लाभ उठाता है।
यह शोध पत्र एक पदानुक्रमित एजेंटिक ढांचे (hierarchical agentic framework) का प्रस्ताव करता है जो प्राकृतिक भाषा के निर्देशों को बहु-स्तरीय ज्यामितीय परिचालनों में विभाजित करके शहरी नवीकरण को स्वचालित करता है, और मौजूदा भू-स्थानिक योजनाओं के निर्भरता-जागरूक एवं स्थानिक रूप से सुसंगत संशोधनों को सुनिश्चित करने के लिए पुनरावृत्ति निष्पादन और सत्यापन का उपयोग करता है।
यह शोध पत्र मौजूदा सहयोगात्मक एजेंटों की भंगुरता और फ्री-राइडिंग (free-riding) की समस्या को दूर करने के लिए एक सिद्धांतवादी इंडक्टिव बायस (inductive bias) के रूप में रणनीतिक जोखिम निवारण (strategic risk aversion) को प्रस्तुत करता है, जो एक मल्टी-एजेंट सुदृढीकरण लर्निंग (multi-agent reinforcement learning) एल्गोरिदम का प्रस्ताव देता है जो अनदेखे भागीदारों के साथ सुदृढ़ और प्रभावी सहयोग को सक्षम बनाता है।
यह शोध पत्र ParamMem को प्रस्तुत करता है, जो एक पैरामीट्रिक मेमोरी मॉड्यूल है जो भाषाई एजेंटों में परावर्तक विविधता (reflective diversity) को बढ़ाने के लिए क्रॉस-सैंपल रिफ्लेक्शन पैटर्न को एनकोड करता है, जिसके परिणामस्वरूप प्रस्तावित ParamAgent फ्रेमवर्क प्राप्त होता है जो कोड जनरेशन, गणितीय तर्क और मल्टी-हॉप प्रश्न उत्तर देने के कार्यों में निरंतर प्रदर्शन सुधार प्राप्त करता है।
यह शोध पत्र एक फीडबैक-प्रेरित "अति-विशिष्टीकरण जाल" (overspecialization trap) की पहचान करता है जहाँ उपयोगकर्ता के स्व-चयन (user self-selection) के कारण प्रतिस्पर्धी मशीन लर्निंग प्लेटफॉर्म खराब वैश्विक प्रदर्शन वाले मॉडलों की ओर अभिसरित हो जाते हैं, और एक पीयर-मॉडल प्रोबिंग एल्गोरिदम का प्रस्ताव करता है जो शिक्षार्थियों को गैर-चयन करने वाले उपयोगकर्ताओं के डेटा तक पहुँच प्रदान करके इस समस्या को सफलतापूर्वक कम करता है।
यह शोध पत्र एक मल्टीपार्टी सेशन टाइप फ्रेमवर्क प्रस्तुत करता है जो एसिंक्रोनस मिक्स्ड चॉइस (asynchronous mixed choice) का समर्थन करता है जो इवेंटुअल स्टेट कंसिस्टेंसी (eventual state consistency) की गारंटी देता है, जिसे औपचारिक प्रमाणों और एक व्यावहारिक टूलचेन के माध्यम से मान्य किया गया है जिसका उपयोग RabbitMQ Erlang क्लाइंट के कुछ हिस्सों को पुन: कार्यान्वित करने के लिए किया गया है।