3420 पेपर
यह शोध पत्र RADAR को प्रस्तुत करता है, जो एक सुदृढीकरण शिक्षण (Reinforcement Learning) और एंट्रॉपी-आधारित एजेंट है जो महत्वपूर्ण अवलोकन क्षमता (observability) और डेटा गुणवत्ता को बनाए रखते हुए संसाधन खपत को नाटकीय रूप से कम करने के लिए माइक्रोसर्विसेज टेलीमेट्री सैंपलिंग को गतिशील रूप से अनुकूलित करता है।
यह शोध पत्र एक वास्तविक समय (real-time), हल्का (lightweight) दो-चरणीय ढांचा प्रस्तावित करता है जो स्मार्ट-होम नियंत्रण के लिए मजबूत, कम-विलंबता वाले स्थिर हाथ के जेस्चर रिकग्निशन को प्राप्त करने के लिए सेगमेंटेशन और क्लासिफिकेशन को अलग करता है, जिसमें गलत ट्रिगर्स को न्यूनतम करने और एज डिवाइसेस पर उच्च सटीकता सुनिश्चित करने के लिए एक उन्नत U-Net और एक नवीन EdgeHandCNN क्लासिफायर का उपयोग किया गया है।
यह शोध पत्र डोमेन-अवेयर लॉस फंक्शन्स (USELoss) का प्रस्ताव और सत्यापन करता है जो मेडिकल एक्स-रे सुपर-रिज़ॉल्यूशन की संरचनात्मक निष्ठा और सीमा संरक्षण को महत्वपूर्ण रूप से बढ़ाने के लिए मानक परसेप्चुअल लॉस को प्रतिस्थापित करते हैं, जो PadChest डेटासेट पर SRGAN, ESRGAN और HAT जैसी मौजूदा विधियों से बेहतर प्रदर्शन करते हैं।
यह रेट्रोस्पेक्टिव कोहोर्ट अध्ययन एक नवीन, पूर्णतः पारदर्शी मशीन लर्निंग एल्गोरिदम (ShAproxRef) प्रस्तुत करता है जो नियमित ईडी (ED) डेटा से सेप्सिस की भविष्यवाणी करने के लिए एक "ब्लैक बॉक्स" न्यूरल नेटवर्क का सन्निकटन (approximate) करता है और तुलनीय सटीकता (बाहरी परीक्षण पर 0.82 AUC) के साथ, इस प्रकार नैदानिक विश्वास को बढ़ाता है और कार्यान्वयन को सुगम बनाता है।
यह अध्ययन प्रदर्शित करता है कि रोगी-स्तरीय थ्रोम्बोसिस का पता लगाने के लिए फिक्स्ड-फ्रेम बेसलाइन की तुलना में पदानुक्रमित मल्टीपल-इंस्टेंस लर्निंग की प्रारंभिक रूप से रिपोर्ट की गई श्रेष्ठता पर्यावरणीय विसंगतियों का एक आर्टिफैक्ट (कृत्रिम प्रभाव) थी और नियंत्रित परिस्थितियों में पुनरुत्पादित होने में विफल रही, जिससे स्थिर मॉडल लाभ के दावों का खंडन होता है।
EchoMed Agent एक फाउंडेशन मॉडल-आधारित एजेंटिक फ्रेमवर्क है जो सटीक, फ्यू-शॉट अनुकूलन योग्य लेफ्ट वेंट्रिकुलर सेगमेंटेशन और विभिन्न क्लिनिकल साइटों में इजेक्शन फ्रैक्शन अनुमान प्राप्त करने के लिए एक लो-रैंक एडेप्टेड MedSAM2 वीडियो सेगमेंटेशन मॉडल को GPT-5.2 टूल-रूटिंग इंटरफेस और एक लाइटवेट एक्सिस-रिग्रेशन मॉड्यूल के साथ जोड़ता है।
यह समीक्षा सांख्यिकीय मॉडलों से लेकर स्थानिक-कालिक (स्पैटियो-टेम्पोरल) डीप लर्निंग तक अल्पकालिक यातायात पूर्वानुमान के विकास का संश्लेषण करती है, जो इस क्षेत्र को सटीकता-जटिलता-परिनियोजन (डिप्लॉयबिलिटी) के बीच एक समझौते के रूप में प्रस्तुत करती है और स्थानिक संरचना एवं सामयिक गतिशीलता को संयुक्त रूप से मॉडल करने से हाल ही में हुई प्रगति को रेखांकित करते हुए स्केलेबिलिटी, अनिश्चितता और वास्तविक समय में परिनियोजन में प्रमुख भविष्य की दिशाओं की पहचान करती है।
यह अध्ययन प्रदर्शित करता है कि एक डेवलपमेंट-लॉक्ड, हेटेरोजेनियस मॉडल एन्सेम्बल, सिंगल एनहांस्ड मीन टीचर की तुलना में आंतरिक और बाहरी दोनों परीक्षणों में छोटे (3–<6 मिमी) पल्मोनरी नोड्यूल्स के सेमी-सुपरवाइज्ड सेगमेंटेशन को बेहतर बनाता है, हालांकि मामूली लाभ निश्चित रूप से यह सिद्ध नहीं करते कि हेटेरोजेनियस ऑब्जेक्टिव्स सामान्य एन्सेम्बल प्रभावों से परे लाभ प्रदान करते हैं।
यह शोध पत्र अनुभवजन्य रूप से प्रदर्शित करता है कि डीप लर्निंग-आधारित नेटवर्क घुसपैठ पहचान प्रणाली विभिन्न डेटासेट और फीचर सेटों में एडवरसेरियल इवेजन हमलों के प्रति अत्यधिक संवेदनशील हैं, जो यह प्रकट करता है कि यह संवेदनशीलता डेटासेट-विशिष्ट समस्या के बजाय सीखे गए निर्णय सतह (डिसीजन सरफेस) का एक अंतर्निहित गुण है, और यह पहचानने के लिए कि कौन से इनपुट फीचर्स गड़बड़ी (परटर्बेशन) के प्रति सबसे अधिक संवेदनशील हैं, एक फीचर वल्नरेबिलिटी इंडेक्स प्रस्तावित करता है।
यह शोध पत्र ANCHOR का प्रस्ताव करता है, जो एक अनुकूली ट्रांसक्रिएशन (transcreation) विधि है जो अंग्रेजी चेक-वर्थिनेस (check-worthiness) डेटा को डोमेस्टिकेट (domesticate) या फॉरेनराइज (foreignize) करने के लिए सांस्कृतिक निर्भरता को वर्गीकृत करती है, जो तथ्यात्मक दायरे, अभिकथन की शक्ति और लेबल सटीकता को संरक्षित करते हुए, एनोटेटेड संसाधनों को प्रभावी रूप से चीनी में स्थानांतरित करती है।