3464 पेपर
यह शोध पत्र एक डीप लर्निंग वॉर्म-स्टार्ट विधि प्रस्तावित करता है जो क्वाड्रेटिक प्रोग्रामिंग समस्याओं के लिए सटीक प्रारंभिक अनुमान उत्पन्न करने हेतु न्यूरल नेटवर्क का उपयोग करती है, जो डिजिटल ट्विन फ्रेमवर्क के भीतर विमान असेंबली सिमुलेशन की कम्प्यूटेशनल दक्षता को महत्वपूर्ण रूप से तेज करती है।
यह शोध पत्र स्टील फाउंड्री के मूल-कारण विश्लेषण (root-cause analysis) के लिए एक ऑफलाइन, नियतात्मक विशेषज्ञ प्रणाली प्रस्तुत करता है जो लार्ज लैंग्वेज मॉडल के मतिभ्रम (hallucinations) को कम करने के लिए गेटेड वेरिफिकेशन, एक अलग खंडन न्यायाधीश (refutation judge), और सख्त साक्ष्य बाधाओं का उपयोग करता है, और अंततः एक मानव-इन-द-लूप स्वायत्तता मॉडल का प्रस्ताव देता है जहाँ प्रणाली मानवीय अनुमोदन के लिए निष्कर्ष सुझाती है। यह ध्यान देना महत्वपूर्ण है कि तुलना के लिए उपयोग किया गया संदर्भ विश्लेषण (reference analysis) लेखक के मार्गदर्शन में एक LLM द्वारा लिखा गया था; यह कोई स्वतंत्र विशेषज्ञ रिपोर्ट नहीं है। इसके बावजूद, प्रणाली ने दोष-स्थान उल्लेखों (defect-location mentions) को शून्य से बढ़ाकर 3 से 16 के बीच कर दिया। This research paper presents an offline, deterministic expert system for root-cause analysis in steel foundries that utilizes gated verification, a separate refutation judge, and strict evidentiary constraints to mitigate Large Language Model hallucinations, ultimately proposing a human-in-the-loop autonomy model where the system suggests conclusions for human approval. It should be noted that the reference analysis used for comparison was written by an LLM under the author's guidance; it is not an independent expert report. Despite this, the system improved defect-location mentions from zero to between 3 and 16.
यह शोध पत्र एक सुदृढ़ स्पैटियो-टेम्पोरल ग्राफ सुदृढीकरण शिक्षण (Spatio-Temporal Graph Reinforcement Learning) ढांचे का प्रस्ताव करता है जो ग्राफ अटेंशन नेटवर्क और ट्रांसफॉर्मर-आधारित टेम्पोरल एनकोडर्स को एकीकृत करता है ताकि मल्टी-एजेंट ट्रैफिक सिग्नल नियंत्रण प्रणालियों को क्षणिक शोर और निरंतर व्यवधानों के बीच प्रभावी ढंग से अंतर करने में सक्षम बनाया जा सके, जिससे अत्याधुनिक बेसलाइनों की तुलना में बेहतर थ्रूपुट और संरचनात्मक विफलताओं से तेजी से उबरना प्राप्त किया जा सके।
यह शोध पत्र यह स्थापित करता है कि स्वेच्छिक मल्टी-होरिज़न पावर-लॉ वेट्स वाले डिस्ट्रीब्यूशनल बेलमैन ऑपरेटर्स, सुप्रीमल p-वॉसरस्टीन मेट्रिक में कॉन्ट्रैक्शंस हैं और वास्तविक रिटर्न डिस्ट्रीब्यूशन को एक अद्वितीय फिक्स्ड पॉइंट के रूप में संरक्षित करते हैं, जिससे डिस्ट्रीब्यूशनल रिइन्फोर्समेंट लर्निंग में लॉन्ग-मेमोरी मैकेनिज्म को शामिल करने के लिए एक सैद्धांतिक आधार प्राप्त होता है।
कॉन्फिडेंशियल पल्स (Confidential Pulse) एक ऐसा सिस्टम है जो हाइपरलेजर फैब्रिक (Hyperledger Fabric) चैनल्स के भीतर अधिकृत पेलोड्स से प्रतिक्रियाओं को पुनर्गठित करके, संघीय सरकारी अभिलेखों तक सुरक्षित, संवादात्मक पहुंच सक्षम बनाता है, जिससे यह सुनिश्चित होता है कि जबकि सिस्टम दायरे से बाहर के डेटा के प्रकटीकरण को रोकता है, यह मॉडल द्वारा निर्मित गद्य (prose) के माध्यम से सूचना रिसाव के प्रति संवेदनशील बना रहता है।
यह शोध पत्र TSLLM-BO को प्रस्तुत करता है, जो एक दो-चरणीय ढांचा है जो निरंतर, दीर्घ-क्षितिज भविष्यवाणी कार्यों (long-horizon prediction tasks) पर सुदृढीकरण शिक्षण (reinforcement learning) को लागू करने की चुनौतियों से निपटने के लिए एक समय-पाठ संरेखण वास्तुकला (time-text alignment architecture) को एक अवकलनीय मिश्रित पुरस्कार (differentiable composite reward) और डायनेमिक पॉलिसी क्लिपिंग (Dynamic Policy Clipping) के साथ जोड़कर, LLM-आधारित समय श्रृंखला पूर्वानुमान की मजबूती और संरचनात्मक निष्ठा को बढ़ाता है।
यह अध्ययन एक डीप लर्निंग-आधारित मल्टी-टास्क फ्रेमवर्क प्रस्तावित करता है जो लिंग वर्गीकरण के लिए रैंक-फ्यूजन एन्सेम्बल का उपयोग करता है और क्रोनोलॉजिकल आयु-समूह अनुमान के लिए एक नवीन ट्राई-लॉस रणनीति के साथ ConvNeXt-Tiny मॉडल का उपयोग करता है, जो घुटने के रेडियोग्राफ से जनसांख्यिकीय प्रोफाइलिंग में उच्च सटीकता प्राप्त करता है।
यह शोध पत्र ICU-REACT प्रस्तुत करता है, जो एक क्लिनिशियन-इन-द-लूप डेटासेट है जो बड़े भाषा मॉडलों (LLMs) को विशेषज्ञ ICU तर्क पर प्रशिक्षित करता है, जिसके परिणामस्वरूप Clin-REACT मॉडल बनते हैं जो मौजूदा चिकित्सा और सामान्य-उद्देश्य वाले LLMs की तुलना में विविध नैदानिक तर्क कार्यों में बेहतर सामान्यीकरण प्रदर्शित करते हैं।
यह शोध पत्र एक दो-स्तरीय समानांतर आर्किटेक्चर प्रस्तुत करता है जो जटिल सड़क नेटवर्क पर बड़े पैमाने के SUMO ट्रैफ़िक सिमुलेशन को महत्वपूर्ण रूप से त्वरित करने के लिए थ्रेड-लेवल पैरेललिज्म और वितरित निष्पादन को जोड़ता है, जिससे 13.32× तक की गति वृद्धि (speedup) प्राप्त होती है और साथ ही विधि की सटीकता को प्रमाणित करते हुए वैश्विक सिंक्रोनाइज़ेशन (global synchronization) को प्राथमिक स्केलेबिलिटी बाधा के रूप में पहचाना जाता है।
यह शोध पत्र एक दो-स्तरीय ढांचे का प्रस्ताव करता है जो डेटा गोपनीयता या मॉडल अखंडता से समझौता किए बिना, बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) के विश्वसनीय, लागत-कुशल और सत्यापन योग्य क्रॉस-ऑर्गनाइजेशनल फेडरेटेड फाइन-ट्यूनिंग को सक्षम करने के लिए ब्लॉकचेन-आधारित मेटाडेटा प्रमाणन को ऑफ-चेन शार्डेड स्टोरेज से अलग करता है।