🤖 AI

A Woman with a Knife or A Knife with a Woman? Measuring Directional Bias Amplification in Image Captions

यह शोध पत्र डायरेक्शनल बायस एम्प्लीफिकेशन इन कैप्शनिंग (DBAC) प्रस्तुत करता है, जो एक नवीन भाषा-जागरूक मीट्रिक है जो मौजूदा पद्धतियों की सीमाओं को पार करते हुए इमेज कैप्शनिंग मॉडलों में, विशेष रूप से लिंग और नस्ल संबंधी गुणों के संबंध में, पक्षपात प्रवर्धन (बायस एम्प्लीफिकेशन) के स्रोतों को सटीक रूप से मापने और पहचानने में सक्षम है।

मूल लेखक: Rahul Nair, Bhanu Tokas, Hannah Kerner

प्रकाशित 2026-05-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rahul Nair, Bhanu Tokas, Hannah Kerner

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक रोबोट सहायक है जिसका काम तस्वीरों को देखना और उनका वर्णन करना है। आप इस रोबोट को लाखों तस्वीरों और उनके मानव-लिखित विवरणों के माध्यम से सिखाते हैं। समस्या यह है कि इंसान पूर्ण नहीं होते; उनके विवरणों में कभी-कभी छिपे हुए रूढ़िवादी विचार (पूर्वाग्रह) हो सकते हैं। उदाहरण के लिए, हम अक्सर चाकू पकड़े हुए एक महिला का वर्णन "चाकू के साथ एक महिला" के रूप में कर सकते हैं (जो खतरे का संकेत देता है) लेकिन चाकू पकड़े हुए एक पुरुष को "एक आदमी खाना बना रहा है" के रूप में वर्णित कर सकते हैं (जो सुरक्षा का संकेत देता है)।

जब रोबोट इन मानवीय विवरणों से सीखता है, तो वह केवल पूर्वाग्रह की नकल ही नहीं करता, बल्कि वह उसे बढ़ा (amplify) भी देता है। वह "महिला" देखते ही "चाकू" शब्द की भविष्यवाणी करना शुरू कर सकता है, भले ही उसने हाथ में फूल पकड़ा हो, क्योंकि उसने अपने प्रशिक्षण डेटा में सीखा है कि "महिला" और "चाकू" एक खतरनाक जोड़ी है।

यह शोध पत्र एक बेहतर बायस डिटेक्टर (पूर्वाग्रह पहचानकर्ता) बनाने के बारे में है ताकि यह पता लगाया जा सके कि रोबोट ठीक कैसे और क्यों अपनी रूढ़ियों को गलत तरीके से लागू कर रहा है।

पुराने डिटेक्टरों के साथ समस्या

लेखक बताते हैं कि पूर्वाग्रह को मापने वाले पुराने उपकरण खराब अनुवादकों या टूटे हुए तराजूओं की तरह थे:

"अंधे" तराजू: कुछ पुराने उपकरण केवल यह गिनते थे कि शब्द कितनी बार एक साथ आते हैं (जैसे "आदमी" + "गेंद")। वे वाक्य के अर्थ को नहीं समझते थे। वे "उसके पास एक गेंद है" और "उसके पास गेंद नहीं है" के बीच अंतर नहीं कर पाते थे, जबकि दोनों में पूर्वाग्रह पूरी तरह से अलग है।
"एक-तरफा" दर्पण: अन्य उपकरण आपको यह तो बता सकते थे कि पूर्वाग्रह मौजूद है, लेकिन वे यह नहीं बता सकते थे कि वह किस दिशा में है।
- उपमा: कल्पना कीजिए कि एक कमरे में लोग चिल्ला रहे हैं। एक "एक-तरफा" दर्पण आपको बताता है, "वहाँ बहुत शोर हो रहा है।" लेकिन यह नहीं बताता कि लोग दरवाजे की ओर चिल्ला रहे हैं या दरवाजे से चिल्ला रहे हैं।
- पेपर के शब्दों में: क्या रोबोट ने एक चाकू देखा और तय किया, "आह, यह निश्चित रूप से एक महिला होगी"? (कार्य $\to$ विशेषता) या क्या उसने एक महिला देखी और तय किया, "आह, वह निश्चित रूप से एक चाकू पकड़े हुए होगी"? (विशेषता $\to$ कार्य)।
- बिना दिशा जाने, आप समस्या को ठीक नहीं कर सकते। यदि आप गलत दिशा को ठीक करने की कोशिश करते हैं, तो आप पूर्वाग्रह को और भी खराब कर सकते हैं।

नया समाधान: DBAC

लेखक DBAC (डायरेक्शनल बायस एम्प्लीफिकेशन इन कैप्शनिंग) नामक एक नया उपकरण पेश करते हैं। DBAC को एक सुपर-स्मार्ट जासूस के रूप में सोचें जो:

कहानी पढ़ सकता है: यह वाक्य के पूर्ण अर्थ को समझता है (भाषा-जागरूक/Language-Aware)।
तीरों का पीछा कर सकता है: यह सटीक रूप से बता सकता है कि पूर्वाग्रह किस दिशा में बह रहा है (दिशात्मक/Directional)।
शोर को अनदेखा कर सकता है: यह सुसंगत उत्तर देता है चाहे यह टेक्स्ट को पढ़ने के लिए किसी भी "शब्दकोश" (वाक्य एनकोडर) का उपयोग करे।

DBAC कैसे काम करता है (जासूस का टूलकिट)

पूर्वाग्रह को पकड़ने के लिए, DBAC मास्किंग (छिपाने) और प्रतिस्थापन (बदलने) के एक चतुर तरीके का उपयोग करता है:

मास्किंग का खेल: कल्पना कीजिए कि रोबोट एक कैप्शन लिखता है: "एक महिला चाकू पकड़े हुए है।"
- DBAC शब्द "महिला" को छिपा देता है और पूछता है: "क्या आप बाकी के वाक्य को देखकर अभी भी लिंग का अनुमान लगा सकते हैं?" यदि उत्तर है "हाँ, यह निश्चित रूप से एक महिला है," तो इसका मतलब है कि अन्य शब्द (जैसे "चाकू") एक भारी पूर्वाग्रह ले जा रहे हैं।
- यह इसका उल्टा भी करता है: "चाकू" को छिपाएं और पूछें, "क्या आप केवल यह जानकर वस्तु का अनुमान लगा सकते हैं कि वह एक महिला है?"
"संदर्भिक" बदलाव (Contextual Swap): यह एक बड़ा अपग्रेड है।
- पुराना तरीका (स्थिर प्रतिस्थापन): यदि रोबमान द्वारा उपयोग किया गया शब्द "सैंडल" (saddle) जैसा दुर्लभ शब्द था, और शब्दकोश में वह नहीं था, तो पुराना उपकरण उसे केवल "अज्ञात" (UNKNOWN) से बदल देता था। इससे अर्थ नष्ट हो जाता है।
- DBAC तरीका (संदर्भिक प्रतिस्थापन): DBAC अधिक स्मार्ट है। यदि यह "सैंडल" देखता है, तो यह शब्दकोश में इसके निकटतम मिलान, जैसे "सीट" या "घोड़े का सामान," को खोजता है और उसे बदल देता है। यह कहानी को बरकरार रखता है ताकि पूर्वाग्रह का माप सटीक रहे।

उन्होंने क्या पाया

लेखकों ने 13 अलग-अलग इमेज-कैप्शनिंग रोबोट्स पर COCO नामक एक विशाल फोटो डेटासेट का उपयोग करके इस नए जासूस का परीक्षण किया। यहाँ मुख्य निष्कर्ष दिए गए हैं:

एकमात्र विश्वसनीय जासूस: DBAC एकमात्र उपकरण था जो लगातार और सटीक रूप से पूर्वाग्रह प्रवर्धन (bias amplification) को माप सका। अन्य उपकरणों ने या तो पूर्वाग्रह को पूरी तरह से मिस कर दिया या उनके परिणाम भ्रमित करने वाले और असंगत थे, जो इस बात पर निर्भर करते थे कि वे किस "शब्दकोश" का उपयोग कर रहे थे।
दिशा मायने रखती है: उन्होंने पाया कि जबकि कई रोबोट लिंग जानने के बाद कार्यों (tasks) की भविष्यवाणी करने में बेहतर हो गए (जैसे, "यदि वह एक आदमी है, तो वह खेल खेलने की संभावना है"), वे कार्य देखने पर लिंग की भविष्यवाणी करने में बदतर हो गए (जैसे, "यदि वह चाकू पकड़े हुए है, तो वह निश्चित रूप से एक आदमी है")।
"सुधार" चीजों को बिगाड़ सकता है: उन्होंने पाया कि "इक्विलाइज़र" (Equalizer) नामक एक तकनीक, जिसे पूर्वाग्रह को ठीक करने के लिए बनाया गया था, वास्तव में एक प्रकार के पूर्वाग्रह को ठीक करते समय दूसरे प्रकार के पूर्वाग्रह को और खराब कर देती है। यह साबित करता है कि सिस्टम को ठीक करने से पहले आपको एक दिशात्मक उपकरण जैसे DBAC की आवश्यकता है ताकि आप पूरी तस्वीर देख सकें।

निचोड़

यदि आप एक ऐसा AI बनाना चाहते हैं जो छवियों का निष्पक्ष वर्णन करे, तो आप केवल अनुमान नहीं लगा सकते कि पूर्वाग्रह कहाँ है। आपको एक ऐसे उपकरण की आवश्यकता है जो कहानी को समझता हो और सटीक रूप से पूर्वाग्रह के स्रोत की ओर इशारा कर सके। DBAC वही उपकरण है। यह आपको न केवल यह बताता है कि रोबोट पक्षपाती है, बल्कि यह भी बताता है कि वह कैसे पक्षपाती है, ताकि आप शेष प्रणाली को तोड़े बिना विशिष्ट समस्या को ठीक कर सकें।

यहाँ शोध पत्र "A Woman with a Knife or A Knife with a Woman? Measuring Directional Bias Amplification in Image Captions" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

इमेज कैप्शनिंग में बायस एम्प्लीफिकेशन (Bias Amplification in Image Captioning):
जब इमेज कैप्शनिंग मॉडल को पक्षपाती डेटासेट्स (जैसे, सामाजिक रूढ़ियों वाले मानव-लिखित कैप्शन) पर प्रशिक्षित किया जाता है, तो वे अक्सर अपने जनरेटेड आउटपुट में इन पूर्वाग्रहों (biases) को दोहराते हैं और यहाँ तक कि उन्हें बढ़ा (amplify) भी देते हैं। उदाहरण के लिए, यदि दृश्य साक्ष्य अस्पष्ट हो, तो एक मॉडल "a man holding a knife" की तुलना में "a woman holding a knife" की भविष्यवाणी अधिक बार कर सकता है, या इसके विपरीत।

मौजूदा मेट्रिक्स की सीमाएँ (Limitations of Existing Metrics):
बायस एम्प्लीफिकेशन को मापने के मौजूदा तरीके दो श्रेणियों में आते हैं, जो दोनों ही इमेज कैप्शनिंग के लिए विफल रहते हैं:

वर्गीकरण-आधारित मेट्रिक्स (जैसे, BA→, DPA): ये वर्गीकरण कार्यों (classification tasks) में बायस को मापते हैं लेकिन प्राकृतिक भाषा के अर्थपूर्ण अर्थ (semantic meaning) को अनदेखा करते हैं। वे "He has a ball" और "He does not have a ball" के बीच अंतर नहीं कर सकते यदि कीवर्ड समान हों।
भाषा-जागरूक मेट्रिक्स (जैसे, LIC, ImgCap2):
- LIC (Leakage in Captioning): हालांकि यह अर्थ (semantics) को समझता है, लेकिन यह गैर-दिशात्मक (non-directional) है। यह यह नहीं बता सकता कि किस विशेषता (attribute) ने बायस को बढ़ाया। यह यह नहीं बता सकता कि मॉडल ने "चाकू" देखने पर "महिला" की भविष्यवाणी करने के बायस को बढ़ाया, या "महिला" देखने पर "चाकू" की भविष्यवाणी करने के बायस को।
- ImgCap2: यह इमेज में निहित बायस और कैप्शन में निहित बायस के बीच अंतर नहीं कर पाता, जिससे यह कैप्शनिंग मॉडल के व्यवहार को अलग करने के लिए अनुपयुक्त हो जाता है।
- निरंतरता संबंधी मुद्दे (Consistency Issues): LIC स्कोर वाक्य एनकोडर (sentence encoder) के चुनाव (एक हाइपरपैरामीटर) के आधार पर काफी भिन्न होते हैं, जिससे परिणाम अविश्वसनीय हो जाते हैं।

अंतराल (The Gap): ऐसा कोई मौजूदा मेट्रिक नहीं है जो एक साथ भाषा-जागरूक (अर्थ समझता है), दिशात्मक (बायस के स्रोत की पहचान करता है: Attribute $\to$ Task बनाम Task $\to$ Attribute), और विभिन्न मॉडल कॉन्फ़िगरेशन में सुसंगत (consistent) हो।

2. कार्यप्रणाली: डायरेक्शनल बायस एम्प्लीफिकेशन इन कैप्शनिंग (DBAC)

लेखक DBAC प्रस्तावित करते हैं, जो एक नया मेट्रिक है जिसे दो विशिष्ट दिशाओं में बायस एम्प्लीफिकेशन को मापने के लिए डिज़ाइन किया गया है:

$A \to T$ (Attribute to Task): क्या किसी विशेषता (जैसे, लिंग/Gender) की उपस्थिति किसी कार्य/वस्तु (जैसे, चाकू/Knife) की भविष्यवाणी को बढ़ाती है?
$T \to A$ (Task to Attribute): क्या किसी कार्य/वस्तु (जैसे, चाकू/Knife) की उपस्थिति किसी विशेषता (जैसे, लिंग/Gender) की भविष्यवाणी को बढ़ाती है?

मुख्य तंत्र (Core Mechanism)

DBAC एक एडवर्सरियल अटैक फ्रेमवर्क (adversarial attack framework) और वोकैबुलरी अलाइनमेंट (vocabulary alignment) का उपयोग करता है:

मास्किंग (Masking):
- $A \to T$ को मापने के लिए: कैप्शन में जेंडर टोकन को मास्क किया जाता है (जैसे, "A with a guitar")।
- $T \to A$ $T \to A$ को मापने के लिए: टास्क टोकन को मास्क किया जाता है (जैसे, "A man with a
  ")।
  अटैकर फंक्शन ( $f$ ):
  - एक मॉडल (सेंटेंस एनकोडर + क्लासिफिकेशन हेड) को केवल शेष संदर्भ (context) का उपयोग करके मास्क किए गए एट्रिब्यूट (जैसे, जेंडर) की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है।
  - उच्च भविष्यवाणी सटीकता (high prediction accuracy) का अर्थ है कि शेष संदर्भ (टास्क) में एट्रिब्यूट के बारे में मजबूत बायस सिग्नल मौजूद हैं।
  संभाव्यता सूत्र (Probabilistic Formulation):
  - बायस को मास्क किए गए वाक्य के दिए गए एट्रिब्यूट की प्रायिकता (probability) द्वारा मापा जाता है।
  - एक निश्चित प्रायर (prior) सुनिश्चित करने के लिए (जो वैध बायस एम्प्लीफिकेशन माप के लिए एक आवश्यकता है), लेखक बेयस प्रमेय (Bayes' theorem) का उपयोग करके बायस को $P(\text{Task} | \text{Attribute})$ के रूप में अनुमानित करते हैं।
  - बायस एम्प्लीफिकेशन स्कोर: इसे मॉडल-जनरेटेड कैप्शंस (MGC) और ह्यूमन-जनरेटेड कैप्शंस (HGC) के बीच के अंतर के रूप में गणना किया जाता है, जिसे $(-1, 1)$ की रेंज में नॉर्मलाइज़ किया जाता है।
  - सूत्र: $DBAC = \frac{\omega_M - \omega_H}{\omega_M + \omega_H + \epsilon}$ , जहाँ $\omega$ बायस की ताकत को दर्शाता है।
  LIC पर प्रमुख तकनीकी सुधार
  1. दिशात्मकता (Directionality): यह स्पष्ट रूप से $A \to T$ और $T \to A$ एम्प्लीफिकेशन को अलग करता है, जिससे लक्षित शमन (mitigation) रणनीतियों की अनुमति मिलती है।
  2. कॉन्टेक्स्टुअल सब्स्टीट्यूशन (Contextual Substitution/Vocabulary Alignment):
    - समस्या: मानव कैप्शन (HGC) में मॉडल कैप्शन (MGC) की तुलना में बड़ा वोकैबुलरी होता है। साधारण "कांस्टेंट सब्स्टीट्यूशन" (अज्ञात शब्दों को 不明 से बदलना) से अर्थ संबंधी सूक्ष्मता (semantic nuance) खो जाती है।
    - समाधान: DBAC कॉन्टेक्स्टुअल सब्स्टीट्यूशन का उपयोग करता है। यदि HGC में कोई शब्द MGC में अनुपस्थित है, तो उसे MGC वोकैबुलरी से अर्थपूर्ण रूप से सबसे करीबी शब्द से बदल दिया जाता है (GloVe या FastText जैसे एम्बेडिंग्स का उपयोग करके)। यदि कोई करीबी मिलान नहीं मिलता है, तो वह 不明 बन जाता है।
    - लाभ: यह कांस्टेंट सब्स्टीट्यूशन की तुलना में बायस सिग्नल को बेहतर ढंग से सुरक्षित रखता है।
  3. एनकोडर निरंतरता (Encoder Consistency): मेट्रिक को विभिन्न सेंटेंस एनकोडर्स (LSTM, RNN, Transformers, Pre-trained models) के प्रति सुदृढ़ (robust) बनाया गया है।
  3. मुख्य योगदान (Key Contributions)
  1. DBAC मेट्रिक: पहला मेट्रिक जो एक साथ भाषा-जागरूक, दिशात्मक और सुसंगत है।
  2. स्रोत की पहचान (Source Identification): DBAC यह सटीक रूप से बता सकता है कि मॉडल एट्रिब्यूट से टास्क या टास्क से एट्रिब्यूट की ओर बायस को बढ़ा रहा है, जिससे विशिष्ट रिट्रेनिंग रणनीतियों (जैसे, यदि $A \to T$ बायस अधिक है, तो केवल "महिलाओं के साथ गैर-चाकू वाली वस्तुओं" पर रिट्रेन करना) को सक्षम बनाया जा सके।
  3. कॉन्टेक्स्टुअल सब्स्टीट्यूशन: यह सिद्ध किया गया कि शब्दों को अर्थपूर्ण विकल्पों से बदलने से (जेनेरिक 不明 के बजाय) अधिक सटीक बायस अनुमान प्राप्त होते हैं।
  4. मजबूती (Robustness): यह प्रमाणित किया गया कि DBAC के स्कोर विभिन्न सेंटेंस एनकोडर्स के बीच स्थिर हैं, जिससे हाइपरपैरामीटर ट्यूनिंग की आवश्यकता समाप्त हो जाती है।
  4. प्रयोगात्मक परिणाम (Experimental Results)
  
  प्रयोग COCO Captions dataset पर 13 विभिन्न इमेज कैप्शनिंग मॉडल्स (BLIP, OSCAR, LLaVA और Transformer-आधारित मॉडल सहित) और Gender तथा Race के गुणों (attributes) के लिए किए गए।
  - भाषाई बायस को पकड़ना: नियंत्रित डेटासेट्स में जहाँ जेंडर और टास्क संतुलित थे लेकिन वर्ब (verb) का उपयोग असंतुलित था, गैर-भाषा-जागरूक मेट्रिक्स (BA→, DPA) ने शून्य बायस रिपोर्ट किया। DBAC और LIC ने भाषाई बायस को सही ढंग से पहचाना।
  - दिशात्मकता का सत्यापन (Directionality Validation):
    - लेखकों ने धीरे-धीरे छवियों में लोगों को मास्क किया। जैसे-जैसे व्यक्ति कम दिखाई देने लगा, मॉडल ने जेंडर/रेस का अनुमान लगाने के लिए बैकग्राउंड ऑब्जेक्ट्स (टास्क) पर अधिक निर्भरता दिखाई।
    - परिणाम: केवल DBAC ने बढ़ते हुए $T \to A$ बायस के रुझान को पकड़ा। LIC इस रुझान का पता लगाने में विफल रहा क्योंकि इसमें दिशात्मकता का अभाव था।
  - निरंतरता (संवेदनशीलता विश्लेषण):
    - LIC की तुलना में विभिन्न सेंटेंस एनकोडर्स के बीच DBAC ने काफी कम कोएफिशिएंट ऑफ वेरिएशन (CV) दिखाया।
    - Gender: DB_AC में LIC की तुलना में 84.5% कम भिन्नता (स्क्रैच एनकोडर्स) और 69.9% कम भिन्नता (प्री-ट्रेंड एनकोडर्स) देखी गई।
    - Race: DB_AC में LIC की तुलना में 59.5% कम भिन्नता (स्क्रैच) और 83.6% कम भिन्नता (प्री-ट्रेंड) देखी गई।
  - सब्स्टीट्यूशन का प्रभाव: कॉन्टेक्स्टुअल सब्स्टीट्यूशन ने कांस्टेंट सब्स्टीट्यूशन की तुलना में METEOR सिमिलैरिटी स्कोर को ~2.7% से 3.4% तक सुधारा। इसने अधिक सटीक बायस डिटेक्शन स्कोर भी दिए।
  - मॉडल विश्लेषण:
    - अधिकांश मॉडल्स ने $A \to T$ बायस को कम किया (जेंडर के आधार पर टास्क की भविष्यवाणी करना अधिक निष्पक्ष हुआ)।
    - हालाँकि, 13 में से 8 मॉडल्स ने $T \to A$ बायस को बढ़ाया (टास्क के आधार पर जेंडर की भविष्यवाणी करना अधिक पक्षपाती हो गया)।
    - "Equalizer" शमन तकनीक ने $T \to A$ बायस को कम किया लेकिन अनजाने में $A \to T$ बायस को और खराब कर दिया, जो दिशात्मक मेट्रिक्स की आवश्यकता को रेखांकित करता है।
  5. महत्व (Significance)
  - विश्वसनीयता: DBAC को इमेज कैप्शनिंग में बायस एम्प्लीफिकेशन को मापने के लिए एकमात्र विश्वसनीय मेट्रिक के रूप में स्थापित किया गया है, जो पिछले तरीकों की गंभीर खामियों को दूर करता है।
  - कार्यवाही योग्य अंतर्दृष्टि (Actionable Insights): बायस की दिशा की पहचान करके, DBAC शोधकर्ताओं को लक्षित शमन (targeted mitigation) लागू करने की अनुमति देता है। विशाल डेटासेट को फिर से प्रशिक्षित करने के बजाय, शोधकर्ता विशेष रूप से उन पक्षपाती संबंधों को तोड़ने के लिए डेटा क्यूरेट कर सकते हैं (जैसे, "चाकू $\to$ महिला")।
  - मानकीकरण (Standardization): सेंटेंस एनकोडर के चयन के प्रति DBAC की मजबूती प्रयोगों में शोर (noise) को कम करती है, जिससे बायस मापन अधिक पुनरुत्पादनीय (reproducible) और तुलना योग्य बनता है।
  - सुरक्षा (Safety): दृष्टिबाधित लोगों के लिए सहायक तकनीक जैसे उच्च-जोखिम वाले अनुप्रयोगों में, दिशात्मक बायस को समझना और ठीक करना भ्रामक या हानिकारक विवरणों को रोकने के लिए अत्यंत महत्वपूर्ण है।
  शेयर करेंTwitter LinkedIn Email
  अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
  आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।
  Digest आज़माएँ →
  हर हफ़्ते AI के बेहतरीन पेपर पाएँ।
  Stanford, Cambridge और French Academy of Sciences के रिसर्चर हम पर भरोसा करते हैं।
  अपना सब्सक्रिप्शन पक्का करने के लिए इनबॉक्स देखें।
  कुछ गड़बड़ हो गई। फिर से कोशिश करें?
  कोई स्पैम नहीं, कभी भी अनसब्सक्राइब करें।
  इसी तरह के और पेपर
  इस विषय के सभी पेपर देखें 🤖 cs.AI →
  साप्ताहिक Digest—सबसे नया रिसर्च, आसान भाषा में।सब्सक्राइब करें
  Source paper
  arXiv
  2503.07878
  यहाँ देखें: arXiv ↗PDF ↗
  Read in
  AR DE EN ES FR HI IT JA KO NL PT ZH
  अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
  Digest आज़माएँ
  ggist.science
  परिचय Testimonials गोपनीयता Terms Contact
  Explanations are AI-generated and may contain inaccuracies. Authors can suggest corrections via mail@gist.science.
  ओपन-एक्सेस इंटरऑपरेबिलिटी उपलब्ध कराने के लिए arXiv, bioRxiv, medRxiv और Research Square का धन्यवाद।
  Gist.Science is a product of Bition B.V.
  Verdunplein 17, 5627SZ Eindhoven
  KvK: 95743731 | BTW-ID: NL867271966B01
  mail@gist.science
  नीदरलैंड में बनाया गया 🇳🇱
  © 2026 gist.science

पुराने डिटेक्टरों के साथ समस्या

नया समाधान: DBAC

DBAC कैसे काम करता है (जासूस का टूलकिट)

उन्होंने क्या पाया

निचोड़

1. समस्या विवरण (Problem Statement)

2. कार्यप्रणाली: डायरेक्शनल बायस एम्प्लीफिकेशन इन कैप्शनिंग (DBAC)

मुख्य तंत्र (Core Mechanism)

LIC पर प्रमुख तकनीकी सुधार

3. मुख्य योगदान (Key Contributions)

4. प्रयोगात्मक परिणाम (Experimental Results)

5. महत्व (Significance)

इसी तरह के और पेपर