FedSocket: बहुमाध्यमीय विषमता में प्राप्तकर्ता-पक्ष पर अनिवार्य निष्पादन-क्षमता वाले विनिमेय मॉडल
FedSocket का प्रस्ताव है—एक ऐसा दृष्टिकोण जिसमें साझा किया जाने वाला मॉडल प्राप्तकर्ता की ओर से गणना योग्य होना चाहिए, और विषम निजी मॉडलों को पूर्वानुमानों के साझा इंटरफ़ेस Q से जोड़ा जाता है। लेख में सदस्यता को ध्यान में रखकर किए जाने वाले एग्रीगेशन, केवल Q के पैरामीटर और काउंटरों को अग्रेषित करने, तथा छह डेटासेट पर किए गए प्रयोगों का वर्णन है, जो अनुपलब्ध मॉडैलिटीज़ के बावजूद सटीकता में वृद्धि और स्वतंत्र एन्सेम्बल की तुलना में Joint-इन्फ़रेंस की श्रेष्ठता दर्शाते हैं।

मल्टीमॉडलिटी और विषमता, आदान-प्रदान पर पाबंदी के रूप में
मल्टीमॉडल फ़ेडरेटेड लर्निंग में निजी मॉडल विषम बने रहते हैं। कुछ प्राप्तकर्ताओं के पास वह मॉडैलिटी नहीं होती जिसका उपयोग अन्य प्रतिभागी करते हैं। सामान्य मॉडल आदान-प्रदान यह सुनिश्चित नहीं करता कि प्राप्तकर्ता प्राप्त मॉडल को चला सके। FedSocket आदान-प्रदान किए जाने वाले मॉडल के लिए प्राप्तकर्ता की ओर निष्पादन-योग्यता को अनिवार्य आवश्यकता बनाता है।
मुख्य सीमाएँ:
- निजी मॉडल मॉडैलिटी की संरचना के संदर्भ में अलग-अलग होते हैं;
- प्राप्तकर्ता के पास कुछ मॉडैलिटी नहीं हो सकती हैं;
- आदान-प्रदान किया जाने वाला मॉडल प्राप्तकर्ता की ओर निष्पादित होना चाहिए;
- विषम मॉडलों को एक साझा पूर्वानुमान इंटरफ़ेस के ज़रिए जोड़ना आवश्यक है।
निष्कर्ष: समस्या केवल सटीकता की नहीं है। मानदंड मल्टीमॉडल विषमता के बीच प्राप्तकर्ता की ओर मॉडल की निष्पादन-योग्यता है।
अनिवार्य निष्पादन-योग्यता और साझा Q
FedSocket आदान-प्रदान किए जाने वाले मॉडल के लिए प्राप्तकर्ता की ओर निष्पादन को अनिवार्य आवश्यकता बनाता है। साझा Q उन इनपुट को एक साथ जोड़ता है जिनकी गणना प्राप्तकर्ता करता है, कार्य से जुड़े आउटपुट और स्वामित्व को ध्यान में रखते हुए एकत्रीकरण। Q एक साझा पूर्वानुमान इंटरफ़ेस के ज़रिए विषम निजी मॉडलों को जोड़ता है।

निजी मॉडल, Q की स्थानीय प्रतियों को प्रशिक्षित करते हैं। आदान-प्रदान में केवल Q के पैरामीटर और काउंटर शामिल होते हैं। इस आदान-प्रदान में पूरे निजी मॉडल नहीं भेजे जाते।
निष्कर्ष: यह तंत्र पूरे निजी मॉडलों के बजाय आदान-प्रदान को साझा Q परत और काउंटरों तक सीमित रखता है।
मोड: स्थानीय प्रशिक्षण और Joint inference
FedSocket में लौटाया गया Q स्थानीय प्रशिक्षण और Joint inference, दोनों को समर्थित करता है। Joint inference की तुलना स्वतंत्र एन्सेम्बलों से की जाती है, जहाँ इनफ़रेंस के लिए गणना-शक्ति समान होती है। Joint, UCF-51 पर सटीकता में 11.06 प्रतिशत अंक और औसत द्विदिश Flickr30k R@1 में 4.87 प्रतिशत अंक से स्वतंत्र एन्सेम्बलों से बेहतर प्रदर्शन करता है। Joint सभी चार विषम अंतिम बिंदुओं पर भी Q alone से बेहतर प्रदर्शन करता है।
| तुलना | शर्त | परिणाम |
|---|---|---|
| स्वतंत्र एन्सेम्बलों की तुलना में Joint | इनफ़रेंस के लिए समान गणना-शक्ति | UCF-51 पर सटीकता में +11.06 प्रतिशत अंक; औसत द्विदिश Flickr30k R@1 में +4.87 प्रतिशत अंक |
| Q alone की तुलना में Joint | सभी चार विषम अंतिम बिंदु | Joint, Q alone से बेहतर प्रदर्शन करता है |
निष्कर्ष: समान शक्ति पर संयुक्त इनफ़रेंस के लिए, Joint निर्दिष्ट मेट्रिक्स में सुधार देता है। स्थानीय प्रशिक्षण के लिए लौटाए गए Q का उपयोग किया जाता है।
प्रयोग क्या दिखाते हैं
छह डेटासेट पर, FedSocket अनुपस्थित मॉडैलिटी वाले प्राप्तकर्ताओं की सटीकता को Local की तुलना में बढ़ाता है। MELD पर सुधार 14.44 प्रतिशत अंक और UCF-51 पर 15.51 प्रतिशत अंक है। शिक्षकों के साथ नियंत्रण प्रयोग, आदान-प्रदान पथ में हस्तक्षेप और घटकों के फैक्टरियल प्रयोग, पर्यवेक्षण, आदान-प्रदान और परिनियोजन की भूमिकाएँ उजागर करते हैं।
परिणामों की संरचना:
- छह डेटासेट;
- अनुपस्थित मॉडैलिटी वाले प्राप्तकर्ता: Local की तुलना में MELD पर +14.44 प्रतिशत अंक और UCF-51 पर +15.51 प्रतिशत अंक;
- शिक्षकों के साथ नियंत्रण प्रयोग;
- आदान-प्रदान पथ में हस्तक्षेप;
- घटकों के फैक्टरियल प्रयोग;
- उजागर की गई भूमिकाएँ: पर्यवेक्षण, आदान-प्रदान, परिनियोजन।
निष्कर्ष: सुधार अनुपस्थित मॉडैलिटी वाले प्राप्तकर्ताओं से संबंधित है। एब्लेशन, पर्यवेक्षण, आदान-प्रदान और परिनियोजन के योगदानों को अलग-अलग पहचानते हैं।
चयन के लिए व्यावहारिक मानदंड
शर्तों का एक समूह पूरा होने पर FedSocket लागू होता है। प्राप्तकर्ता को आदान-प्रदान किया जाने वाला मॉडल निष्पादित करना चाहिए। निजी मॉडल विषम होने चाहिए और उन्हें एक साझा पूर्वानुमान इंटरफ़ेस के ज़रिए जोड़ा जाना चाहिए। कुछ प्राप्तकर्ताओं के पास मॉडैलिटी नहीं हो सकती है। स्थानीय प्रशिक्षण और Joint inference आवश्यक हैं। आदान-प्रदान को Q के पैरामीटरों और काउंटरों तक सीमित रखना चाहिए।
चयन के मानदंड:
- प्राप्तकर्ता की ओर मॉडल की अनिवार्य निष्पादन-योग्यता;
- निजी मॉडलों में मल्टीमॉडल विषमता;
- विषम मॉडलों के लिए साझा पूर्वानुमान इंटरफ़ेस;
- अनुपस्थित मॉडैलिटी वाले प्राप्तकर्ता;
- स्थानीय प्रशिक्षण और Joint inference;
- केवल Q के पैरामीटरों और काउंटरों का आदान-प्रदान।
निष्कर्ष: यह तरीका उन परिदृश्यों के लिए है जहाँ प्राप्तकर्ता की ओर निष्पादन-योग्यता अनिवार्य हो और मल्टीमॉडल विषमता मौजूद हो। इन शर्तों से बाहर, उपलब्ध तथ्य चयन का आधार नहीं देते।
अक्सर पूछे जाने वाले प्रश्न
समान सामग्री
सभी सामग्री
पैराफ्रेज़ किए गए मशीन-जनित पाठ के प्रति डिटेक्टरों की मजबूती: परीक्षणों में क्या सामने आया
इस सामग्री में उन टूल्स की जाँच के नतीजे संकलित हैं, जो जनरेट किए गए अंशों को अधिक स्वाभाविक शैली में दोबारा लिखते हैं। इस प्रक्रिया के बाद पहचान की संभावना काफी कम हो जाती है, और बने रहने वाले फ़ॉल्स पॉज़िटिव के कारण डिटेक्टर के निष्कर्ष को प्रमाण नहीं माना जा सकता।
13 नवम्बर 2026
CyberArena: AI एजेंटों के युग्मित मुकाबले स्थिर साइबर बेंचमार्क की सीमाएँ उजागर करते हैं
यह बेंचमार्क दो एजेंटों को लगातार बदलती सेवाओं वाले सैंडबॉक्स में रखता है और कई राउंड के बाद उनके कार्यों को आक्रामक और रक्षात्मक कौशल के बहुआयामी स्कोर में बदलता है। 12 आधुनिक मॉडलों के साथ 466 मैचों में इसने उन क्षमताओं के बीच अंतर पहचाना, जहाँ एकतरफ़ा परीक्षण अपनी सीमा पर पहुँच जाते हैं—जिनमें कई चालों की योजना बनाना और बैकडोर बनाना शामिल है।
13 नवम्बर 2026
सिंथेसिस के दौरान नए कमांड: 3D मानव गतियों के लिए मल्टी-ट्रैक टाइमलाइन
एक ऐसी विधि प्रस्तावित की गई है, जो संश्लेषण के दौरान ही नए टेक्स्ट निर्देश स्वीकार करती है और क्रियाओं के परस्पर अतिव्यापी अंतरालों को स्वतंत्र रूप से निर्धारित करने देती है। शरीर के विभिन्न अंगों की एक साथ होने वाली गतिविधियों का समन्वय अंतराल-आधारित कंडीशनिंग और शरीर के अंगों को ध्यान में रखने वाली डिनॉइज़िंग प्रक्रिया के ज़रिए किया जाता है; TimelineMotion और MTT पर लेखक बताते हैं कि स्ट्रीमिंग बेसलाइन समाधानों की तुलना में यह अर्थ और समय-संबंधी सीमाओं के साथ बेहतर मेल खाता है।
12 नवम्बर 2026