744 पेपर
यह अध्ययन प्रदर्शित करता है कि हस्तक्षेप लागत, कारण वैधता और संभावित जोखिमों को ध्यान में रखे बिना SHAP-आधारित फीचर महत्व स्कोर को सीधे प्रबंधकीय कार्यों में परिवर्तित करना महत्वपूर्ण जवाबदेही संबंधी खतरे पैदा करता है, जो यह प्रकट करता है कि केवल व्याख्यात्मकता (explainability) जिम्मेदार एआई-संचालित निर्णय लेने के लिए अपर्याप्त है।
यह सर्वेक्षण एक व्यापक वर्गीकरण प्रस्तावित करके लार्ज लैंग्वेज मॉडल्स के युग में पॉइजनिंग हमलों और उनके बचाव की व्यवस्थित रूप से समीक्षा करता है जो खतरों को वेट (weight) और कॉन्टेक्स्ट (context) पॉइजनिंग में वर्गीकृत करता है, प्रतिनिधि तकनीकों और रक्षा रणनीतियों का विश्लेषण करता है, और कंपाउंड एआई सिस्टम को सुरक्षित करने के लिए भविष्य की अनुसंधान दिशाओं को रेखांकित करता है।
FedDAAW एक हल्का, गोपनीयता-संरक्षण ढांचा है जो विषम फेडरेटेड लर्निंग के लिए है, जो डायनेमिक क्लाइंट सिलेक्शन और एक्यूरेसी-एडेप्टिव एग्रीगेशन का उपयोग करता है ताकि बिना ग्रेडिएंट शेयरिंग या सहायक डेटा की आवश्यकता के, नॉन-IID सेटिंग्स के तहत विविध कार्यों (वर्गीकरण, भावना विश्लेषण और प्रतिगमन) में अभिसरण दक्षता और प्रदर्शन को महत्वपूर्ण रूप से सुधारा जा सके।
2000 से 2024 तक के 1,225 प्रकाशनों का यह बिब्लियोमेट्रिक विश्लेषण रोबोटिक स्पोर्ट्स अनुसंधान के एक परिपक्व, वैश्विक रूप से सहयोगात्मक क्षेत्र में विकास को प्रकट करता है, जो प्रमुख संस्थानों द्वारा संचालित है और बुनियादी रोबोट सॉकर से लेकर डीप लर्निंग और मानव-रोबोट इंटरेक्शन जैसे उन्नत एआई अनुप्रयोगों की ओर एक विषयगत बदलाव को दर्शाता है।
यह शोध पत्र कंपोजिट टास्क चैलेंज (CTC) को प्रस्तुत करता है, जो मल्टी-एजेंट सुदृढीकरण शिक्षण (multi-agent reinforcement learning) में श्रम विभाजन और सहयोग का कठोरता से मूल्यांकन करने के लिए डिज़ाइन किया गया एक नया बेंचमार्क सुइट है, जो यह प्रकट करता है कि वर्तमान अत्याधुनिक विधियाँ इन कार्यों को हल करने में विफल रहती हैं और यह प्रदर्शित करती है कि इस क्षेत्र को आगे बढ़ाने के लिए एक समाधान योग्य परंतु चुनौतीपूर्ण टेस्टबेड आवश्यक है।
SousCoder एक लोकल-फर्स्ट, प्रोएक्टिव डेवलपर असिस्टेंट है जो डेवलपर के भ्रम का पता लगाने और संदर्भ-जागरूक सुझावों के साथ हस्तक्षेप करने के लिए VS Code, Chrome और टर्मिनल में क्रॉस-एप्लीकेशन व्यवहार संबंधी संकेतों की निगरानी करता है, जो फील्ड इवैल्यूएशन में कम लेटेंसी और उच्च प्रासंगिकता प्राप्त करता है और पर्सिस्टेंट मेमोरी और मल्टी-सोर्स परसेप्शन के साथ पूर्व कार्यों का विस्तार करता है।
यह अध्ययन वर्कर्स कंपनसेशनेशन (श्रमिक क्षतिपूर्ति) दावों से 14 बीमांकिक चरों (actuarial variables) को निकालने के लिए एक लार्ज लैंग्वेज मॉडल पाइपलाइन का मूल्यांकन करता है, जो मानव समीक्षकों के साथ मध्यम समग्र सहमति (क्वाड्रेटिक वेटेड कप्पा 0.53) और विभिन्न आयामों में महत्वपूर्ण परिवर्तनशीलता को प्रकट करता है, जो औपचारिक सत्यापन से पहले अंशांकन (कैलिब्रेशन) और चरणबद्ध परिनियोजन की आवश्यकता को रेखांकित करता है।
यह अध्ययन प्रदर्शित करता है कि एक ट्रांसफॉर्मर-आधारित डीप लर्निंग मॉडल इलेक्ट्रिकल ग्रिड स्थिरता की भविष्यवाणी करने में शास्त्रीय मशीन लर्निंग एल्गोरिदम से बेहतर प्रदर्शन करता है, जो लचीले स्मार्ट ग्रिड के लिए वैश्विक स्थिरता लक्ष्यों का समर्थन करते हुए बाइनरी क्लासिफिकेशन और रिग्रेशन दोनों कार्यों में उच्च सटीकता प्राप्त करता है।
यह अध्ययन पहचान करता है कि गहरे रंग की त्वचा पर कम लीजन-बैकग्राउंड कंट्रास्ट एक संरचनात्मक वर्ग ओवरलैप (structural class overlap) उत्पन्न करता है, जिससे एआई डर्मेटोलॉजिकल मॉडल व्यवस्थित रूप से घातक अवस्था (malignancy) का अति-पूर्वानुमान लगाते हैं और गहरे रंग की त्वचा वाले रोगियों के लिए अत्यधिक रेफरल उत्पन्न करते हैं, जो एक निष्पक्षता संबंधी बाधा (fairness bottleneck) है जो कन्फाउंडिंग क्लास डिस्ट्रीब्यूशन को ठीक करने के बाद भी बनी रहती है और जिसे टोन कंडीशनिंग के बजाय प्रति-टोन क्लास बैलेंसिंग द्वारा सर्वोत्तम रूप से कम किया जा सकता है।
यह शोध एक ऐसे मशीन लर्निंग फ्रेमवर्क का प्रस्ताव करता है जो सिस्टम मेट्रिक्स का विश्लेषण करके डेटा वेयरहाउस विफलताओं की 15 मिनट पहले तक भविष्यवाणी करने के लिए एन्सेम्बल मेथड्स और व्याख्यात्मक एआई (एक्सप्लेनेबल एआई) का लाभ उठाता है, जिससे सक्रिय विसंगति पहचान (एनोमली डिटेक्शन) और स्वचालित मूल कारण विश्लेषण के माध्यम से डाउनटाइम को कम किया जा सके।