वे पेपर जिनकी आसान व्याख्या पर मूल लेखकों ने प्रतिक्रिया दी है।
इस पेज के हर पेपर के लिए कम से कम एक मूल लेखक ने हमारी आसान व्याख्या देखी और उस पर प्रतिक्रिया दी है—या तो यह पुष्टि की कि वह सटीक है, या सुधार माँगे जिन्हें हमने लागू किया। समर्थन का मतलब यह नहीं कि लेखक हर वाक्य को औपचारिक रूप से मंज़ूरी देते हैं, लेकिन इसका मतलब है कि व्याख्या उन लोगों की नज़र से गुज़री है जिन्होंने पेपर लिखा है।
लेखकों द्वारा समीक्षा किए गए 948 पेपर · 721–730 / 948
यह योगदान 'सिमेंटिक पुलबैक' (Semantic Pullbacks) को प्रस्तुत करता है, जो एक सैद्धांतिक रूप से आधारित विधि है जो गहरे नेटवर्क (deep networks) को इनपुट-कंडीशन्ड एफाइन ऑपरेटर्स (input-conditioned affine operators) के रूप में व्याख्यायित करती है ताकि लक्षित न्यूरॉन्स (target neurons) से सुसंगत स्थानीय संरचनाओं का पुनर्निर्माण करके धारणात्मक रूप से उपयुक्त, स्थिर और विश्वसनीय पोस्ट-हॉक स्पष्टीकरण उत्पन्न किए जा सकें।
यह शोध पत्र एडेप्टिव डायनेमिक UX स्टैटिस्टिकल फ्रेमवर्क (ADUX-Stat) का प्रस्ताव करता है, जो एक नवीन मूल्यांकन मॉडल है जो स्थिर उपयोगिता मेट्रिक्स के स्थान पर संभाव्यता संबंधी संरचनाओं—विशेष रूप से इंटरैक्शन एंट्रॉपी इंडेक्स, टेम्पोरल ड्रिफ्ट कोएफिशिएंट और बायेसियन यूजेबिलिटी कॉन्फिडेंस स्कोर—का उपयोग करता है ताकि AI-मध्यस्थ प्रणालियों की स्टोकेस्टिक और संदर्भ-संवेदनशील प्रकृति का प्रभावी ढंग से आकलन किया जा सके।
यह शोध पत्र PARSE का प्रस्ताव करता है, जो एक डोमेन जनरलाइजेशन फ्रेमवर्क है जो एक एंड-टू-एंड आर्किटेक्चर के माध्यम से विजुअल प्रिमिटिव्स और उनके डिफरेंशिएबल स्पेशियल रिलेशनल कंपोजिशन्स को स्पष्ट रूप से सीखकर वर्गीकरण सुदृढ़ता (classification robustness) में सुधार करता है, जिससे कंपोजिशनल बेंचमार्क पर महत्वपूर्ण प्रदर्शन लाभ प्राप्त होता है।
यह शोध पत्र एक व्यापक मोंटे कार्लो अध्ययन प्रस्तुत करता है जो यह प्रदर्शित करता है कि टेम्पोरल स्पेक्ट्रल नॉइज़-फ्लोर अडैप्टेशन (TSNFA) विधि, जो विशिष्ट रूप से स्पेक्ट्रल बैंड चयन, टेम्पोरल पर्सिस्टेंस फ़िल्टरिंग और एडेप्टिव नॉइज़-फ्लोर ट्रैकिंग को जोड़ती है, एक 200-नोड वाले IoT मेश नेटवर्क में शून्य फाल्स पॉजिटिव के साथ पूर्ण पहचान प्राप्त करती है, जो छह वैकल्पिक एल्गोरिदम से बेहतर प्रदर्शन करती है जो इनमें से कम से कम एक महत्वपूर्ण रक्षा तंत्र की अनुपस्थिति के कारण विफल हो जाते हैं।
यह शोध पत्र एक बेयसियन परिप्रेक्ष्य से मोटे-दानेदार (कोर्स-ग्रेन्ड) क्वांटम गतिकी और क्वांटम कंडीशनल स्टेट्स फॉर्मलिज्म के बीच एक संबंध स्थापित करता है, जो विश्लेणात्मक समाधानों और सेमीडेफिनेट प्रोग्रामिंग के माध्यम से उभरती हुई गतिकी के अस्तित्व को संबोधित करता है और इन प्रभावी विवरणों में शोर सहिष्णुता को मापने के लिए एक नया रोबस्टनेस माप पेश करता है।
यह शोध पत्र इस धारणा को चुनौती देता है कि टेम्पोरल रीजनिंग (कालिक तर्क) लार्ज लैंग्वेज मॉडल्स के लिए प्राथमिक बाधा है, इसके बजाय यह प्रस्तावित करता है कि विफलताएं अनस्ट्रक्चर्ड टेक्स्ट-टू-इवेंट रिप्रजेंटेशन से उत्पन्न होती हैं और एक प्रोबेबिलिस्टिक इनकंसिस्टेंसी सिग्नल (संभावित विसंगति संकेत) के साथ एक न्यूरो-सिंबोलिक फ्रेमवर्क पेश करता है जो सिमेंटिक एक्सट्रैक्शन को सिंबोलिक रीजनिंग से अलग करके बेंचमार्क पर पूर्ण सटीकता प्राप्त करता है।
यह शोध पत्र एक हस्तांतरणीय ग्राफ न्यूरल नेटवर्क फ्रेमवर्क प्रस्तुत करता है जो ज्यामिति से सीधे अनुकूलित आणविक कक्षक गुणांकों (molecular orbital coefficients) की भविष्यवाणी करता है, जिससे शास्त्रीय प्री-प्रोसेसिंग ओवरहेड को काफी कम करके और बड़े हाइड्रोजन प्रणालियों के लिए अभिसरण (convergence) में सुधार करके वेरिएशनल क्वांटम आइजनसॉल्वर वर्कफ़्लो के स्केलेबल, रिट्रेनिंग-मुक्त त्वरण को सक्षम बनाया जा सकता है।
यह शोध पत्र यह प्रदर्शित करता है कि स्वचालित संज्ञानात्मक मॉडल खोज (automated cognitive model discovery) में 'थिंक-अलाउड' (Think-Aloud) निशानों को शामिल करने से भविष्य कहनेवाला प्रदर्शन (predictive performance) में महत्वपूर्ण सुधार होता है और पहचाने गए मॉडल संरचनाओं को अधिक एकीकृत उपयोगिता तंत्रों (integrated utility mechanisms) की ओर स्थानांतरित करता है, जिससे उन संज्ञानात्मक प्रक्रियाओं का अनावरण होता जिन्हें केवल व्यवहार संबंधी डेटा अकेले पुनः प्राप्त नहीं कर सकता है।
यह शोध पत्र यह प्रदर्शित करता है कि आइंस्टीन ब्रह्मांड में, कन्फॉर्मल कपलिंग () वह अद्वितीय पैरामीटर मान है जो सभी तापमानों और त्रिज्याओं में द्रव्यमान रहित स्केलर क्षेत्रों के लिए ऊष्मागतिक स्थिरता सुनिश्चित करता है, और साथ ही यह भी स्थापित करता है कि विद्युत चुम्बकीय और न्यूट्रिनो विकिरण की उपस्थिति स्थिरता बनाए रखने के लिए कम से कम एक स्केलर क्षेत्र की आवश्यकता को अनिवार्य बनाती है।
NGSIM डेटासेट से एक मिलियन से अधिक कार-फॉलोइंग अवलोकनों का विश्लेषण करते हुए, यह अध्ययन प्रकट करता है कि मंदी की तीव्रता (deceleration intensity) यह निर्धारित करती है कि ड्राइवर ब्रेकिंग निर्णयों के लिए गैप-क्लोजिंग रेट को प्राथमिकता देते हैं या विजुअल लूमिंग (visual looming) को, जबकि पारंपरिक स्पेसिंग हेडवे को नगण्य बना देती है, जिससे पारंपरिक ड्राइवर व्यवहार मॉडल को चुनौती मिलती है और स्वायत्त वाहन नियंत्रण के लिए महत्वपूर्ण अंतर्दृष्टि प्राप्त होती है।