ओपन-डोमेन संवादी कृत्रिम बुद्धिमत्ता प्रौद्योगिकी की अग्रिम पंक्ति: एक समीक्षात्मक विश्लेषण और आलोचनात्मक टिप्पणी

सामग्री की तालिका

• 1. परिचय और अवलोकन
• 2. पृष्ठभूमि एवं मूल अवधारणाएँ
• 3. संवादात्मक AI के लाभ
• 4. समीक्षा पद्धति
• 5. परिणाम: अग्रणी मॉडल
• 6. परिणाम: संवादी AI का लिंग विश्लेषण
• 7. मौजूदा चुनौतियाँ एवं सीमाएँ
• 8. कम संसाधन वाली भाषाओं की चुनौती
• 9. संबंधित कार्य एवं पूर्व समीक्षाएँ
• 10. आलोचनात्मक विश्लेषण टिप्पणी
• 11. तकनीकी विवरण एवं गणितीय ढाँचा
• 12. प्रयोगात्मक परिणाम एवं डेटा विश्लेषण
• 13. विश्लेषणात्मक ढाँचा: केस अध्ययन उदाहरण
• 14. भविष्य के अनुप्रयोग एवं शोध दिशाएँ
• 15. संदर्भ सूची

1. परिचय और अवलोकन

यह विश्लेषण Adewumi, Liwicki और Liwicki के सर्वेक्षण पत्र 'ओपन-डोमेन संवादी AI की तकनीकी अग्रिम: एक सर्वेक्षण' पर आधारित है। मूल सर्वेक्षण का प्राथमिक लक्ष्य हाल के अत्याधुनिक ओपन-डोमेन संवादी AI मॉडलों की जांच करना, निरंतर चुनौतियों की पहचान करना और भविष्य के शोध को आगे बढ़ाना था। इसकी विशिष्टता संवादी AI एजेंटों के लिंग वितरण के सर्वेक्षण में निहित है, जो नैतिक चर्चा के लिए डेटा-समर्थन प्रदान करता है।

इस सर्वेक्षण में संवादी AI को किसी भी ऐसी प्रणाली के रूप में परिभाषित किया गया है जो प्राकृतिक भाषा का उपयोग करके मानव-से-मानव बुद्धिमान वार्तालाप का अनुकरण कर सकती है। यह इस क्षेत्र की उत्पत्ति का पता ELIZA (Weizenbaum, 1969) तक लगाता है और ट्यूरिंग टेस्ट प्रतिमान के तहत 'मानव' प्रदर्शन प्राप्त करने की दिशा में प्रगति का आकलन करना चाहता है।

पहचाने गए प्रमुख योगदान:

• अत्याधुनिक ओपन-डोमेन संवादी AI में व्याप्त चुनौतियों की पहचान की गई।
• कम-संसाधन भाषाओं के लिए ओपन-डोमेन संवादी AI पर चर्चा की गई।
• संवादी AI के लिंग के आसपास के नैतिक मुद्दों का सांख्यिकीय आंकड़ों के साथ विश्लेषण किया गया।

2. पृष्ठभूमि एवं मूल अवधारणाएँ

यह क्षेत्र विभिन्न उद्देश्यों के लिए डिज़ाइन किए गए सिस्टम शामिल करता है: कार्य-उन्मुख (जैसे टिकट बुकिंग) और खुले डोमेन (कई विषयों पर असीमित संवाद)। यह समीक्षा बाद वाले पर केंद्रित है, जो संकीर्ण कार्यों पर ध्यान केंद्रित करने वाले बॉट्स की तुलना में सुसंगतता, संलग्नता और ज्ञान आधार के मामले में अद्वितीय चुनौतियाँ प्रस्तुत करता है।

आधुनिक दृष्टिकोण आमतौर पर बड़े भाषा मॉडल, अनुक्रम-से-अनुक्रम आर्किटेक्चर और पुनर्प्राप्ति-आधारित विधियों का लाभ उठाते हैं, कभी-कभी हाइब्रिड सिस्टम में संयोजित रूप से।

3. संवादात्मक AI के लाभ

इस समीक्षा ने शोध के प्रेरणाओं पर जोर दिया है, जिनमें शामिल हैं:

• मनोरंजन एवं साथ: सामाजिक संपर्क और जुड़ाव की भावना प्रदान करना।
• सूचना प्राप्ति: विशाल ज्ञान भंडार के लिए प्राकृतिक भाषा इंटरफ़ेस प्राप्त करना।
• चिकित्सीय अनुप्रयोग: जैसा कि ELIZA जैसे प्रारंभिक सिस्टम ने प्रदर्शित किया।
• शोध बेंचमार्क: प्राकृतिक भाषा समझ और उत्पादन में AI क्षमताओं के परीक्षण क्षेत्र के रूप में।

4. समीक्षा पद्धति

इस शोध पत्र ने दो प्रमुख जांचें कीं:

1. फ्रंटियर मॉडल खोज: शैक्षणिक साहित्य में हाल ही के (अनुमानतः प्रकाशन से पहले के कुछ वर्षों के भीतर) स्टेट-ऑफ-द-आर्ट ओपन-डोमेन संवादी AI मॉडलों की व्यवस्थित खोज।
2. लिंग मूल्यांकन: 100 संवादी AI प्रणालियों (जिनमें वाणिज्यिक चैटबॉट, वॉयस असिस्टेंट और शोध प्रोटोटाइप शामिल हो सकते हैं) की खोज और विश्लेषण, उनकी अनुभूत या निर्दिष्ट लिंग पहचान को वर्गीकृत करने के लिए किया गया।

यह विधि एक गुणात्मक समीक्षा और मेटा-विश्लेषण प्रतीत होती है, न कि एक मात्रात्मक बेंचमार्क अध्ययन।

5. परिणाम: अग्रणी मॉडल

समीक्षा में पाया गया कि प्रारंभिक नियम-आधारित प्रणालियों के बाद से महत्वपूर्ण प्रगति के बावजूद, निरंतर चुनौतियाँ बनी हुई हैं। एक प्रमुख निष्कर्ष यह है कि,हाइब्रिड मॉडल—विभिन्न आर्किटेक्चरल प्रतिमानों (जैसे, पुनर्प्राप्ति बनाम जनरेटिव, या प्रतीकात्मक बनाम तंत्रिका विधियों) को जोड़ता है—किसी भी एकल आर्किटेक्चर के सापेक्ष लाभ प्रदान करता है।

प्रवाहिता और बुनियादी सुसंगतता जैसे क्षेत्रों में प्रगति हुई है, लेकिन गहराई, स्थिरता और आलंकारिक भाषा को संभालने में मूलभूत समस्याएं बनी हुई हैं।

6. परिणाम: संवादी AI का लिंग विश्लेषण

यह समीक्षा का एक प्रमुख योगदान है। 100 संवादी AI के विश्लेषण से एक स्पष्ट पूर्वाग्रह का पता चलता है:

7. मौजूदा चुनौतियाँ एवं सीमाएँ

समीक्षा "मानव-समान" प्रदर्शन प्राप्त करने में बाधा डालने वाली कई प्रमुख बाधाओं की ओर इशारा करती है:

• सपाट और सामान्यीकृत प्रतिक्रियाएँ: सुरक्षित, नीरस, या गैर-प्रतिबद्ध प्रतिक्रियाएँ देने की प्रवृत्ति।
• आलंकारिक भाषा प्रसंस्करण में विफलता: रूपकों, व्यंग्य और मुहावरों को समझने और उत्पन्न करने में कठिनाई।
• दीर्घकालिक सुसंगतता और स्मृति की कमी: लंबी बातचीत में सुसंगत चरित्र निर्धारण बनाए रखने और तथ्यों को याद रखने में असमर्थता।
• मूल्यांकन कठिनाइयाँ: मानव वार्तालाप गुणवत्ता निर्णय से अत्यधिक संबंधित मजबूत, स्वचालित मेट्रिक्स की कमी।
• सुरक्षा और पूर्वाग्रह: हानिकारक, पूर्वाग्रहपूर्ण या अनुपयुक्त सामग्री उत्पन्न करने की संभावना।

8. कम संसाधन वाली भाषाओं की चुनौती

इस सर्वेक्षण ने एआई विकास में असमानता पर महत्वपूर्ण रूप से जोर दिया है। अधिकांश अत्याधुनिक मॉडल अंग्रेजी जैसी उच्च संसाधन वाली भाषाओं के लिए बनाए गए हैं। कम संसाधन वाली भाषाओं के लिए, चुनौतियाँ निम्नलिखित कारणों से और बढ़ जाती हैं:

• बड़े पैमाने पर संवाद डेटासेट की कमी।
• पूर्व-प्रशिक्षित भाषा मॉडल की कमी।
• अंग्रेजी के लिए डिज़ाइन किए गए मॉडल द्वारा संभाली न जा सकने वाली अद्वितीय भाषाई संरचनाएँ।

इस सर्वेक्षण में इस समस्या को हल करने के कुछ प्रयासों पर चर्चा की गई है, जैसे कि क्रॉस-लिंग्वल ट्रांसफर लर्निंग और लक्षित डेटा संग्रह प्रयास।

9. संबंधित कार्य एवं पूर्व समीक्षाएँ

लेखक अपने कार्य की विशिष्टता को तकनीकी सर्वेक्षण, लिंग नैतिकता की एक नवीन जांच और कम-संसाधन भाषाओं पर ध्यान के संयोजन के रूप में स्थापित करते हैं। यह पूर्व के उन सर्वेक्षणों पर आधारित है जो संभवतः संरचना, डेटासेट या मूल्यांकन पद्धतियों पर अधिक संकीर्ण रूप से केंद्रित थे।

10. आलोचनात्मक विश्लेषण टिप्पणी

मुख्य अंतर्दृष्टि: यह सर्वेक्षण एक परेशान करने वाले तथ्य को सफलतापूर्वक उजागर करता है: संवादी AI की तकनीकी अपरिपक्वता उसकी नैतिक भोलेपन से मेल खाती है। यह क्षेत्र क्षमता बेंचमार्क का पीछा करने की दौड़ में है, लेकिन बड़े पैमाने पर अनजाने में हानिकारक सामाजिक रूढ़ियों को मजबूत कर रहा है, जिसका स्पष्ट प्रमाण महिला लिंग पूर्वाग्रह है। हाइब्रिड मॉडलों की वकालत एक सफलता से कहीं अधिक, एकल बड़े भाषा मॉडल मार्ग की मौलिक, 'अनकनी वैली' जैसी सीमाओं की स्वीकृति है।

तार्किक प्रवाह: पेपर की संरचना प्रभावी है: तकनीकी परिदृश्य स्थापित करना, उसमें व्यवस्थित लिंग पूर्वाग्रह को उजागर करना, और फिर इसे सपाटता और असमानता (जैसे, कम-संसाधन भाषाएं) जैसी व्यापक चुनौतियों से जोड़ना। यह एक सम्मोहक कथा बनाता है कि तकनीकी और नैतिक चुनौतियां एक दूसरे में गुंथी हुई हैं, न कि स्वतंत्र धाराएं। हालांकि, यह प्रशिक्षण डेटा में पूर्वाग्रह (जो अक्सर सामाजिक पूर्वाग्रहों से युक्त इंटरनेट से स्क्रैप किया जाता है) को सीधे सपाट प्रतिक्रिया समस्या से जोड़ सकता था - दोनों 'औसत' के लिए अनुकूलन के लक्षण हैं, 'उत्कृष्ट' के लिए नहीं।

शक्तियाँ और कमियाँ:
लाभ: लिंग विश्लेषण एक साहसी और आवश्यक घटक है, जो अक्सर अटकलबाजी वाली बहस को ठोस डेटा प्रदान करता है। समावेशी AI विकास के लिए कम संसाधन वाली भाषाओं पर जोर देना महत्वपूर्ण है। केवल मॉडल उपलब्धियों की सूची बनाने के बजाय, लगातार बने रहने वाली, अनसुलझी चुनौतियों पर ध्यान केंद्रित करना अधिक मूल्यवान है।
सीमाएँ: एक सर्वेक्षण के रूप में, यह किसी एकल तकनीकी चुनौती की गहराई में सीमित है। लिंग विश्लेषण की पद्धति (100 AI की "लिंग" कैसे निर्धारित की गई) को पुनरुत्पादन सुनिश्चित करने के लिए अधिक स्पष्ट विवरण की आवश्यकता है। यह सर्वेक्षण प्रकाशन के बाद के विकास (जैसे ChatGPT) के विघटनकारी प्रभाव को कुछ हद तक कम आंकता है, जिसने मूल चुनौतियों को हल नहीं किया, लेकिन सार्वजनिक और शोध प्रतिमानों को काफी बदल दिया।

क्रियान्वयन योग्य अंतर्दृष्टि: 1) ऑडिट और विविधीकरण: विकास टीमों को प्रशिक्षण डेटा और मॉडल आउटपुट पर अनिवार्य पूर्वाग्रह एवं विविधता ऑडिट लागू करना चाहिए, जो अल्पकालिक "रेड टीम" परीक्षणों से आगे जाता हो। मूल्य-संवेदी डिज़ाइन: परियोजना की शुरुआत से ही मूल्य-संवेदी डिज़ाइन जैसे ढांचे को अपनाएं, भूमिका लिंग (या लिंगहीनता) को स्पष्ट रूप से एक मूल डिज़ाइन आवश्यकता के रूप में परिभाषित करें, न कि बाद की सोच के रूप में। मिश्रित को डिफ़ॉल्ट के रूप में: शोध समुदाय को मिश्रित मॉडल दृष्टिकोण को एक विकल्प के बजाय डिफ़ॉल्ट आर्किटेक्चर के रूप में देखना चाहिए, और बड़े भाषा मॉडलों के साथ प्रतीकात्मक तर्क, ज्ञान ग्राफ़ और भावनात्मक कंप्यूटिंग को एकीकृत करने वाली नई पद्धतियों में निवेश करना चाहिए। वैश्विक बेंचमार्क: कम संसाधन वाली भाषाओं के संवादात्मक AI के लिए BLOOM परियोजना की बड़े पैमाने पर बहुभाषी मॉडल निर्माण की भावना के समान बेंचमार्क बनाएं और उनमें भागीदारी को प्रोत्साहित करें।

11. तकनीकी विवरण एवं गणितीय ढाँचा

हालांकि यह समीक्षा उच्च-स्तरीय है, आधुनिक संवादी AI का मूल आमतौर पर अनुक्रम-से-अनुक्रम सीखने और ट्रांसफॉर्मर-आधारित भाषा मॉडलिंग को शामिल करता है।

ट्रांसफॉर्मर आर्किटेक्चर: स्व-ध्यान तंत्र महत्वपूर्ण है। इनपुट एम्बेडिंग अनुक्रम $X$ के लिए, आउटपुट मल्टी-हेड अटेंशन के माध्यम से गणना की जाती है:

$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$

जहां $Q, K, V$ क्वेरी, की और वैल्यू मैट्रिक्स हैं जो $X$ से प्राप्त होते हैं।

प्रतिक्रिया जनन: संवाद इतिहास $H = \{u_1, u_2, ..., u_{t-1}\}$ दिए जाने पर, मॉडल संभाव्यता वितरण का अनुमान लगाकर प्रतिक्रिया $u_t$ उत्पन्न करता है:

$P(u_t | H) = \prod_{i=1}^{|u_t|} P(w_i | w_{

जहाँ $w_i$ प्रतिक्रिया का टोकन है। इसे आमतौर पर अधिकतम संभावना अनुमान का उपयोग करके अनुकूलित किया जाता है।

मिश्रित मॉडल हानि: एक मिश्रित पुनर्प्राप्ति-जनरेटिव मॉडल हानि को संयोजित कर सकता है:

$\mathcal{L}_{\text{total}} = \lambda \mathcal{L}_{\text{retrieval}} + (1-\lambda) \mathcal{L}_{\text{generation}}$

जहाँ $\lambda$ ज्ञान आधार से उम्मीदवार प्रतिक्रियाओं के चयन और शुरुआत से प्रतिक्रिया उत्पन्न करने के बीच भार को नियंत्रित करता है।

12. प्रयोगात्मक परिणाम और चार्ट विवरण

चार्ट: 100 संवादी AI की अनुमानित लिंग वितरण

इस समीक्षा से प्रकट महिला लिंग पूर्वाग्रह पर आधारित।

• X-अक्ष: लिंग श्रेणियाँ (महिला, पुरुष, लिंग-तटस्थ/अनिर्दिष्ट, अन्य)।
• Y-अक्ष: AI एजेंटों की संख्या (गिनती)।
• बार ग्राफ़:
  • महिला: सबसे ऊँचा बार (उदाहरण के लिए, लगभग 65 एजेंट)। यह बहुमत का प्रतिनिधित्व करता है, जिसमें कई वाणिज्यिक वॉयस असिस्टेंट और चैटबॉट शामिल हैं जिन्हें महिला नामों और आवाज़ों के रूप में डिज़ाइन किया गया है।
  • पुरुष: छोटा बार (उदाहरण के लिए, लगभग 25 एजेंट)। इसमें कुछ कॉर्पोरेट या "ज्ञान-आधारित" सहायक शामिल हैं।
  • लिंग-तटस्थ/अनिर्दिष्ट: एक छोटा बार (उदाहरण के लिए, लगभग 8 एजेंट)। एक बढ़ती हुई लेकिन अभी भी अल्पसंख्यक प्रवृत्ति का प्रतिनिधित्व करता है।
  • अन्य: न्यूनतम स्तंभ (उदाहरणार्थ, लगभग 2 एजेंट)। संभवतः गैर-मानव या स्पष्ट रूप से अनुकूलन योग्य भूमिकाओं का प्रतिनिधित्व करता है।

व्याख्या: यह चार्ट एक स्पष्ट असंतुलन को दृश्य रूप से प्रस्तुत करता है, जो एआई द्वारा लैंगिक रूढ़िवादिता को मजबूत करने की चिंताओं के लिए मात्रात्मक समर्थन प्रदान करता है। "महिला" श्रेणी की प्रभुत्व स्थिति पेपर में नैतिक चर्चा को संचालित करने वाला एक प्रमुख प्रयोगात्मक परिणाम है।

13. विश्लेषणात्मक ढाँचा: केस अध्ययन उदाहरण

परिदृश्य: एक कंपनी वरिष्ठ उपयोगकर्ताओं के लिए एक नया ओपन-डोमेन साथी चैटबॉट विकसित कर रही है।

समीक्षा के अंतर्दृष्टि को लागू करना — गैर-कोड रूपरेखा:

1. चुनौती पहचान (अनुभाग 7):
   • सपाट प्रतिक्रिया: कहानी के लिए रोबोट द्वारा दोहरावपूर्ण, नीरस प्रतिक्रियाएँ देने का जोखिम।
   • स्मृति: सत्रों में उपयोगकर्ता के पारिवारिक विवरण याद रखना आवश्यक है।
   • आलंकारिक भाषा: वृद्ध आबादी में आम मुहावरों को समझने की आवश्यकता।
2. आर्किटेक्चर निर्णय (धारा 5 और 11): चयनहाइब्रिड मॉडल。
   • पुनर्प्राप्ति घटक: एक सावधानीपूर्वक संकलित डेटाबेस जिसमें दिलचस्प कहानियाँ, चुटकुले और नॉस्टैल्जिक प्रॉम्प्ट शामिल हैं।
   • जनरेटिव घटक (बड़ा भाषा मॉडल): लचीली, संदर्भ-जागरूक वार्तालाप के लिए।
   • स्मृति मॉड्यूल: एक बाहरी ज्ञान ग्राफ जो उपयोगकर्ता-विशिष्ट तथ्यों को संग्रहीत करता है।
   • सिस्टम एक क्लासिफायर (λ ट्यूनिंग के माध्यम से सीखा हुआ) का उपयोग यह तय करने के लिए करता है कि कब पुनर्प्राप्त करना है या उत्पन्न करना है।
3. नैतिकता और समावेशी डिजाइन (अनुभाग 6 और 8):
   • लिंग: जानबूझकर एक लिंग-तटस्थ व्यक्तित्व (आवाज़, नाम, अवतार) डिजाइन करें। स्वीकार्यता का आकलन करने के लिए उपयोगकर्ता अध्ययन करें।
   • भाषा: यदि बहुभाषी क्षेत्रों के लिए है, तो शुरू से ही अनुभाग 8 में उल्लिखित ट्रांसफर लर्निंग का उपयोग करके कम संसाधन वाली भाषाओं के समर्थन की योजना बनाएं, न कि एक अतिरिक्त सुविधा के रूप में।
4. मूल्यांकन (अनुभाग 7 में निहित): स्वचालित मेट्रिक्स (जैसे, पेप्लेक्सिटी) से परे। लक्षित उपयोगकर्ता समूह पर अनुदैर्ध्य मानव मूल्यांकन लागू करें, सप्ताहों की बातचीत में संलग्नता, अनुभूत सहानुभूति और स्थिरता को मापें।

14. भविष्य के अनुप्रयोग एवं शोध दिशाएँ

निकट अवधि के अनुप्रयोग (1-3 वर्ष):

• व्यक्तिगत शिक्षा एवं ट्यूटरिंग: ओपन-डोमेन ट्यूटर जो छात्र की वार्तालाप शैली और ज्ञान के अंतराल के अनुकूल हो सके।
• उन्नत ग्राहक सहायता: स्क्रिप्टेड अक्सर पूछे जाने वाले प्रश्नों से परे जाकर, वास्तविक समस्या-समाधान वार्तालाप की ओर बढ़ना, कार्य-उन्मुखता को सौहार्द स्थापित करने के साथ जोड़ना।
• मानसिक स्वास्थ्य प्रथम प्रतिक्रियाकर्ता: प्रारंभिक समर्थन और ट्राइएज के लिए एक स्केलेबल, सदैव उपलब्ध संवादी एजेंट, जिसे सख्त नैतिक सुरक्षा उपायों के साथ डिज़ाइन किया गया है।

प्रमुख अनुसंधान दिशाएँ:

• स्पष्टीकरण योग्य एवं नियंत्रणीय संवाद: ऐसे मॉडल विकसित करना जो अपनी तर्क प्रक्रिया की व्याख्या कर सकें और व्यक्तित्व, मूल्यों तथा तथ्यात्मक आधार पर सूक्ष्म नियंत्रण की अनुमति दें। DARPA XAI कार्यक्रम का शोध एक रूपरेखा प्रदान करता है।
• पूर्वाग्रह न्यूनीकरण एवं निष्पक्षता: पहचान से समाधान की ओर बढ़ना। संवाद कार्यों के लिए प्रतितथ्यात्मक डेटा संवर्धन या प्रतिकूल पूर्वाग्रह-निवारण जैसी तकनीकों को अनुकूलित करने की आवश्यकता है।
• कम संसाधन एवं समावेशी AI: दुनिया की भाषाओं (केवल शीर्ष 5-10 नहीं) के लिए मौलिक संवाद डेटासेट और मॉडल बनाने को बड़े पैमाने पर बढ़ावा देना। Masakhane और AI4Bharat जैसे संगठनों का कार्य महत्वपूर्ण है।
• अवतारित एवं बहुप्रकारी संवाद: संवाद को भौतिक या आभासी दुनिया में संवेदन और क्रिया के साथ जोड़ना, अधिक प्रासंगिक और सार्थक अंतःक्रिया की दिशा में।
• दीर्घकालिक संबंध मॉडलिंग: ऐसी संरचनाएँ विकसित करना जो उपयोगकर्ताओं के साथ महीनों या वर्षों तक सुसंगत, विकसित होने वाले संबंध स्थापित और बनाए रख सकें।

15. संदर्भ सूची

1. Adewumi, T., Liwicki, F., & Liwicki, M. (年份). ओपन-डोमेन संवादी AI में अत्याधुनिक स्थिति: एक सर्वेक्षण। [स्रोत PDF].
2. Weizenbaum, J. (1969). ELIZA—मनुष्य और मशीन के बीच प्राकृतिक भाषा संचार के अध्ययन के लिए एक कंप्यूटर प्रोग्राम। Communications of the ACM.
3. Turing, A. M. (1950). Computing machinery and intelligence. Mind.
4. Jurafsky, D., & Martin, J. H. (2020). Speech and Language Processing (तीसरा संस्करण).
5. Vaswani, A., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems.
6. Friedman, B., & Kahn, P. H. (2003). Human values, ethics, and design. In The human-computer interaction handbook.
7. BigScience Workshop. (2022). BLOOM: A 176B-Parameter Open-Access Multilingual Language Model. arXiv preprint arXiv:2211.05100.
8. Gunning, D., et al. (2019). XAI—Explainable artificial intelligence. Science Robotics.
9. Lu, K., et al. (2020). Counterfactual data augmentation for mitigating gender stereotypes in languages with rich morphology. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics.
10. Zhu, J.-Y., et al. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE International Conference on Computer Vision(विभिन्न क्षेत्रों में अग्रणी हाइब्रिड/चक्रीय आर्किटेक्चर के उदाहरण).