RL सिम्युलेटरों की विफलताओं के निदान में कैनोनिकल बहुपद अपरिवर्तांक: वे वास्तव में कहाँ उपयोगी हैं

10 नवम्बर 20264 बार देखा गया

यह अध्ययन जाँचता है कि क्या सीखने योग्य गतिशीलता मॉडल में भौतिक नियमों को शामिल करना उचित है: प्रक्षेप पथों से निकाले गए और ग्रोबनर आधारों के माध्यम से विहित रूप में लाए गए अपरिवर्तक पूर्वानुमानों में मामूली सुधार देते हैं, लेकिन निदान में प्रभावी साबित होते हैं—वे उल्लंघित बाधा का स्थान निर्धारित करने और विशिष्ट गलत पैरामीटर की पहचान करने में सक्षम बनाते हैं।

RL सिम्युलेटरों की विफलताओं के निदान में कैनोनिकल बहुपद अपरिवर्तांक: वे वास्तव में कहाँ उपयोगी हैं

कैनोनिकल बहुपद अपरिवर्तनीय: निरूपण की सटीकता

यह अध्ययन सटीक बहुपद अपरिवर्तनीयों की उपयोगिता की जाँच करता है। अपरिवर्तनीयों का पुनर्निर्माण प्रक्षेप-पथों से किया जाता है। उन्हें Q पर reduced Gröbner bases के रूप में कैनोनिकल ढंग से निरूपित किया जाता है। कैनोनिकल निरूपण ideal की समानता और सदस्यता के बारे में सटीक निर्णय लेने में सक्षम बनाते हैं।

मुख्य तत्व:

  • प्रक्षेप-पथों से अपरिवर्तनीयों का पुनर्निर्माण;
  • Q पर reduced Gröbner bases के रूप में कैनोनिकल निरूपण;
  • ideal की समानता और सदस्यता के बारे में सटीक निर्णय।

व्यावहारिक मानदंड: जहाँ ideal की समानता या सदस्यता के बारे में सटीक निर्णय आवश्यक हो, वहाँ कैनोनिकल रूप की आवश्यकता होती है।

अवशिष्ट-आधारित अनुप्रयोग: जहाँ सटीक अपरिवर्तनीयों से पूर्वानुमान बेहतर नहीं होते

अवशिष्ट-आधारित downstream उपयोगों में सटीक बहुपद अपरिवर्तनीय बहुत कम अतिरिक्त लाभ देते हैं। Gymnasium के Acrobot पर consistency regularisation से algebraic residuals घटते हैं। हालाँकि, लंबी अवधि के rollout की सटीकता बेहतर नहीं होती। One-step validation error का लंबी अवधि की सटीकता से अधिक मज़बूत संबंध है।

अवलोकन:

  • consistency regularisation से Acrobot पर algebraic residuals घटते हैं;
  • लंबी अवधि के rollout की सटीकता बेहतर नहीं होती;
  • one-step validation error का लंबी अवधि की सटीकता से अधिक मज़बूत संबंध है;
  • द्रव्यमान में 100% तक की त्रुटियों के बावजूद, shaping potentials से प्रशिक्षण की प्रभावशीलता भौतिक रूप से सही potential के समान रहती है।

व्यावहारिक मानदंड: अवशिष्ट-आधारित कार्यों के लिए one-step validation error, algebraic residuals से अधिक विश्वसनीय संकेतक है। पूर्वानुमानों को बेहतर बनाने में सटीक अपरिवर्तनीय बहुत कम अतिरिक्त लाभ देते हैं।

विफलताओं का निदान: screening और attribution

सटीक अपरिवर्तनीयों का मुख्य प्रत्यक्ष लाभ निदान है। Reference generating set भौतिक सीमाओं का ऐसा शब्दकोश उपलब्ध कराता है, जो generic two-sample tests में नहीं होता। निदान के दो स्तर हैं।

Screening से उल्लंघित भौतिक सीमा की पहचान होती है। Attribution से त्रुटिपूर्ण अपरिवर्तनीय का पुनर्निर्माण होता है और ज़िम्मेदार भौतिक पैरामीटर की पहचान होती है। Normal-form deflation से बीजगणितीय रूप से तुच्छ गुणज हट जाते हैं। Quotient-space recovery से tolerance के आधार पर nullspace चुनने की आवश्यकता नहीं रहती।

सत्यापन के परिणाम:

  • अवलोकन शोर न होने पर screening ने जानबूझकर डाली गई विफलता के सभी पंद्रह मामलों की पहचान की;
  • कोई false positive नहीं देखा गया;
  • एक त्रुटिपूर्ण पैरामीटर वाले सभी सात मामलों में attribution ने ज़िम्मेदार पैरामीटर की पहचान की;
  • paired difference tests ने सभी विफलताओं का पता लगाया, लेकिन उन्हें सीमाओं के स्तर पर स्थानीयकृत नहीं किया।

व्यावहारिक मानदंड: उल्लंघन और ज़िम्मेदार पैरामीटर की पहचान करने के लिए कैनोनिकल अपरिवर्तनीय उपयुक्त हैं। इस विधि का लाभ विफलता का पता लगाना नहीं, बल्कि उसे स्थानीयकृत करना है।

चयन के मानदंड: अवशिष्ट-आधारित या निदान मोड

परिदृश्यचयन का मानदंड
लंबी अवधि के rollout की सटीकता (Acrobot)consistency regularisation से सटीकता बेहतर नहीं होती; one-step validation error संकेतक है
द्रव्यमान में 100% तक की त्रुटि के साथ shaping potentials का उपयोग करके प्रशिक्षणभौतिक रूप से सही potential के समान प्रभावशीलता
उल्लंघित भौतिक सीमा का स्थानीयकरणscreening उल्लंघन को स्थानीयकृत करता है; attribution पैरामीटर की पहचान करता है
स्थानीयकरण के बिना विफलता का पता लगानाpaired difference tests विफलता का पता लगाते हैं, लेकिन सीमा को स्थानीयकृत नहीं करते
सीमाओं के भौतिक शब्दकोश की आवश्यकताreference generating set यह उपलब्ध कराता है; generic two-sample tests नहीं

व्यावहारिक मानदंड: उल्लंघनों को स्थानीयकृत करने के लिए निदान मोड चुनें। अवशिष्ट-आधारित परिदृश्यों में सटीक अपरिवर्तनीय बहुत कम लाभ देते हैं।

अक्सर पूछे जाने वाले प्रश्न

समान सामग्री

सभी सामग्री
डैशबोर्ड विश्लेषण में GUI एजेंटों का चरणबद्ध निदान: DashAct बेंचमार्क
अनुसंधान

डैशबोर्ड विश्लेषण में GUI एजेंटों का चरणबद्ध निदान: DashAct बेंचमार्क

DashAct प्रस्तुत है—348 मानव-सत्यापित ट्रैजेक्टरी वाला एक बेंचमार्क, जो इंटरैक्टिव डैशबोर्ड के साथ GUI एजेंटों के काम को तीन चरणों और चार दृश्य स्थितियों में विभाजित करता है। नतीजे बताते हैं कि एजेंटों को कार्रवाइयों का अनुमान लगाने और दृश्य लक्ष्यों से जुड़ने में लगातार समस्याएँ आती हैं, साथ ही उनकी प्रतिक्रियाएँ संदर्भ और स्थानिक समर्थन पर निर्भर करती हैं।

11 नवम्बर 2026
WILSON: पैथोमॉर्फोलॉजिकल विश्लेषण और निष्कर्ष तैयार करने के लिए रोगी के आवर्धनों और स्लाइडों का संयोजन
समाचार

WILSON: पैथोमॉर्फोलॉजिकल विश्लेषण और निष्कर्ष तैयार करने के लिए रोगी के आवर्धनों और स्लाइडों का संयोजन

यह प्रीप्रिंट WILSON प्रस्तुत करता है—एक vision-language मॉडल, जो केवल एक अलग “सर्वश्रेष्ठ” स्लाइड के बजाय पूरे स्लाइडों और एक ही मरीज के अलग-अलग आवर्धन पर लिए गए नमूनों की छवियों को एन्कोड करता है। किसी विशिष्ट कार्य के लिए अतिरिक्त प्रशिक्षण के बिना, यह कई मेट्रिक्स पर विशेषीकृत और अधिक बड़े स्लाइड-मॉडलों से बेहतर प्रदर्शन करता है, वह भी काफ़ी कम कंप्यूटेशनल लागत पर; इसके नैदानिक विवरणों को पैथोलॉजिस्टों से अधिक ऊँची रेटिंग मिली।

11 नवम्बर 2026
AURA-Eval: कैसे जाँचें कि LLM एजेंट ने जोखिम को पहचाना और अगला कदम बदल दियाેણ
समाचार

AURA-Eval: कैसे जाँचें कि LLM एजेंट ने जोखिम को पहचाना और अगला कदम बदल दियाેણ

यह फ्रेमवर्क LLM एजेंटों के व्यवहार का आकलन अंतिम निर्णय के आधार पर नहीं, बल्कि अहम बिंदुओं पर जोखिम के प्रति उनकी प्रतिक्रिया के आधार पर करता है: टूल-कॉल की ट्रैजेक्टरी बीच में रोक दी जाती हैं, जिसके बाद मॉडल को अपना तर्क और कार्रवाई जारी रखनी होती है, जबकि LLM जजों का एक पैनल जोखिम की पहचान, कदम की प्रकृति और उसकी सुरक्षा का विश्लेषण करता है। R-Judge की 157 ट्रैजेक्टरी से संकलित 1249 कार्यों में, 20 मॉडलों में सुरक्षित रास्ता न होने पर असुरक्षित कार्रवाइयाँ बढ़ जाती हैं, और निष्पादन से पहले निगरानी हटाने पर शुरुआत में सुरक्षित रहे 52,3% मामले असुरक्षित हो जाते हैं।

10 नवम्बर 2026
RL सिम्युलेटरों की विफलताओं के निदान में कैनोनिकल बहुपद अपरिवर्तांक: वे वास्तव में कहाँ उपयोगी हैं