3615 पेपर
यह शोध पत्र SpikeGate को प्रस्तुत करता है, जो एक अल्ट्रा-लो-पावर, इवेंट-ड्रिवन स्पाइकिंग न्यूरल नेटवर्क गेटकीपर है जो नियमित बैकग्राउंड सिग्नल्स को दबाकर केवल डिटेक्टेड विसंगतियों (anomalies) के दौरान ट्रांसफार्मर निष्पादन को ड्यूटी-साइकिल करके निरंतर ऑन-डिवाइस स्मॉल लैंग्वेज मॉडल इन्फरेंस के लिए ऊर्जा की खपत को महत्वपूर्ण रूप से कम करता है।
यह अध्ययन प्रदर्शित करता है कि क्वांटम सपोर्ट वेक्टर मशीनों के लिए क्वांटम फीचर एनकोडिंग में सांख्यिकीय संबंधों को शामिल करना बाइनरी क्लासिफिकेशन प्रदर्शन को प्रभावित कर सकता है, लेकिन यह इस बात पर जोर देता है कि इष्टतम रणनीतियों के लिए केवल एंटैंगलमेंट बढ़ाने के बजाय भविष्य कहने वाली सटीकता और सर्किट जटिलता के बीच संतुलन बनाना आवश्यक है।
इस अध्ययन ने हेल्थलिंक बीसी डायरेक्टरी का उपयोग करके मानसिक स्वास्थ्य और मादक द्रव्य उपयोग सेवाओं के लिए एक पारदर्शी, संदर्भ-जागरूक पुनर्प्राप्ति प्रणाली विकसित और मूल्यांकित किया, जो यह प्रदर्शित करता है कि सिमेंटिक सर्च को स्पष्ट संदर्भ वेटिंग के साथ संयोजित करने से लेक्सिकल बेसलाइन की तुलना में रैंकिंग प्रदर्शन में सुधार होता है, जबकि नैदानिक तैनाती से पहले वास्तविक दुनिया के डेटा और मानव प्रासंगिकता निर्णयों के साथ आगे के सत्यापन की आवश्यकता पर भी प्रकाश डालता है।
यह शोध पत्र ASWA का प्रस्ताव करता है, जो एक संचार-कुशल (communication-efficient) फेडरेटेड लर्निंग एल्गोरिदम है जो अतिरिक्त डेटा ट्रांसमिशन की आवश्यकता के बिना, डेटा आकार और अपडेट समानता के आधार पर क्लाइंट अपडेट को अनुकूल रूप से भारित करते हुए और उच्च हानि (higher loss) वाले क्लाइंट्स को प्राथमिकता देते हुए, Non-IID डेटा के तहत सटीकता को बढ़ाता है और संचार राउंड को कम करता है।
यह शोध पत्र यह तर्क देता है कि वर्तमान उच्च-जोखिम वाले एआई गवर्नेंस फ्रेमवर्क (NIST, EU AI Act, ISO/IEC 42001) एक महत्वपूर्ण साक्ष्य अंतराल (एविडेंशरी गैप) उत्पन्न करते हैं क्योंकि वे विवाद के लिए आवश्यक प्रक्रिया-आधारित साक्ष्य के बजाय आर्टिफैक्ट-केंद्रित साक्ष्य को प्राथमिकता देते हैं, जो इन आवश्यकताओं की व्याख्या करने में निहित अंतर्निहित अस्पष्टता द्वारा रेखांकित एक संरचनात्मक दोष है और जो अंततः शासित हितधारकों के प्रक्रियात्मक और ज्ञानमीमांसीय (एपिस्टेमिक) अधिकारों को कमजोर करता है।
यह शोध पत्र एजेंट गार्ड (Agent Guard) प्रस्तुत करता है, जो एक लिनक्स रेफरेंस मॉनिटर है जो eBPF-आधारित LSMs का उपयोग करके मानव-अधिकृत क्षति सीमाओं को लागू करता है ताकि अनधिकृत फ़ाइल और नेटवर्क एक्सेस को नियत रूप से अस्वीकार किया जा सके और प्रक्रिया पदानुक्रमों (process hierarchies) में सख्त "नो-एग्रेस" (no-egress) अवस्थाओं को प्रसारित किया जा सके, जिससे मौजूदा बेसलाइनों की तुलना में काफी कम ओवरहेड प्राप्त होता है।
यह शोध पत्र Mastyf Guard 1.5B प्रस्तुत करता है, जो एक हल्का, क्षमता-आधारित सुरक्षा ढांचा है जो डेटा अंतर्ग्रहण (data ingestion) को क्रिया निष्पादन (action execution) से भौतिक रूप से अलग करने के लिए एक "कॉग्निटिव हार्वर्ड आर्किटेक्चर" को लागू करता है, जिससे अप्रत्यक्ष प्रॉम्प्ट इंजेक्शन (Indirect Prompt Injection) के विरुद्ध प्रतिरक्षा की गणितीय गारंटी मिलती है और साथ ही मानक CPU हार्डवेयर पर 99.33% थ्रेट रिकॉल और सब-मिलीसेकंड लेटेंसी प्राप्त होती है।
यह शोध पत्र SmartADAPT-Net को प्रस्तुत करता है, जो एक हल्का न्यूरल फ्रेमवर्क है जो एक स्थिर जनसंख्या मॉडल को दो-चरणीय अनुकूलन रणनीति के साथ जोड़कर मुक्त-जीवन परिवेश में स्मार्टवॉच-आधारित गतिविधि पहचान को बढ़ाता है: एक तत्काल अवलोकन-सशर्त सुधार और उपयोगकर्ता-पुष्टि साक्ष्य पर आधारित एक प्रगतिशील वैयक्तिकरण, जो तैनाती-समय पुनर्रचना (रिट्रेनिंग) की आवश्यकता के बिना उच्च सटीकता प्राप्त करता है।
यह शोध पत्र एक नवीन हाइब्रिड रैनसमवेयर डिटेक्शन फ्रेमवर्क प्रस्तावित करता है जो शास्त्रीय मशीन लर्निंग मॉडल और LSTM नेटवर्क के स्टैकिंग एनसेंबल के साथ मल्टी-लेयर व्यवहार संबंधी विश्लेषण को एकीकृत करता है, जिससे 99% सटीकता और बेहतर सामान्यीकरण प्राप्त होता है क्योंकि यह हमले के अनुक्रमों में भेदभावपूर्ण पैटर्न और टेम्पोरल डिपेंडेंसीज़ दोनों को प्रभावी ढंग से कैप्चर करता है।
यह शोध पत्र 41 अनुभवजन्य अध्ययनों के निष्कर्षों को संश्लेषित करते हुए एक व्यापक, बहु-स्तरीय सत्यापन ढांचे का प्रस्ताव देता है जो डेटा लीकेज रोकथाम और व्याख्यात्मकता ऑडिट से लेकर कॉन्फॉर्मल कैलिब्रेशन और निष्पादन-आधारित एजेंटिक परीक्षण तक प्रगति करता है, जो उन महत्वपूर्ण विफलता मोडों जैसे कि क्लास इम्बैलेंस और अविश्वसनीय एट्रिब्यूशन को संबोधित करता है जिन्हें मानक सत्यापन विधियाँ उच्च-जोखिम वाले अनुप्रयोगों में अनदेखा कर देती हैं।