दुनिया में AI - 22 मई, 2026 की सबसे महत्वपूर्ण घटनाएँ

आज का डेली एआई वर्ल्ड ब्रीफ दुनिया के प्रमुख क्षेत्रों से आर्टिफिशियल इंटेलिजेंस पर सबसे महत्वपूर्ण खबरें एकत्र करता है। ध्यान व्यावसायिक कार्यान्वयन, नियमन, सुरक्षा और एआई मॉडल के विकास पर केंद्रित है। यूरोप Comparing Explanations is Not Enough, Explain the Change: New Standards are Needed to Explain Behavioral Shifts in Large Language Models arXiv:2602.02304v2 Announce Type: replace Abstract: Large-scale foundation models exhibit \emph{behavioral shifts} when subjected to interventions such as scaling, fine-tuning, reinforcement learning with human feedback, or in-context learning.

Current explainability methods are structurally ill-suited to explain these shifts, because they either treat models as static objects, as traditional eXplainable AI (XAI) approaches do, or merely compare independent explanations across different checkpoints of a model.

As a result, these approaches fail to explain the functional transition between two model instances in which a certain behavior has shifted following an intervention.

This gap creates significant governance risks across jurisdictions including the EU AI Act, US state legislation, and Chinese AI regulations, which require documenting causal chains for substantial system modification यह क्यों महत्वपूर्ण है: बाजार, नियमन और एआई उपयोगकर्ताओं पर इस जानकारी के प्रभाव को देखना उपयोगी है। स्रोत: arXiv AI (22.05.2026) Q-Net: Queue Length Estimation via Kalman-based Neural Networks arXiv:2509.24725v3 Announce Type: replace-cross Abstract: सिग्नल वाले चौराहों पर कतार की लंबाई का अनुमान लगाना यातायात प्रबंधन में एक पुराना चुनौती है। वाहन प्रवाह की आंशिक अवलोकनशीलता इस कार्य को जटिल बना देती है, भले ही दो गोपनीयता-संरक्षण डेटा स्रोतों की उपलब्धता हो: (i) स्टॉप लाइनों के पास लूप डिटेक्टर से एकत्रित वाहन गणना, और (ii) एकत्रित फ्लोटिंग कार डेटा (aFCD) जो खंड-वार औसत गति माप प्रदान करते हैं। हालांकि, कतार की लंबाई के अनुमान के लिए विभिन्न स्थानिक और अस्थायी रिज़ॉल्यूशन वाले इन स्रोतों को एकीकृत करना काफी अस्पष्ट है। इस प्रश्न का समाधान करते हुए, हम Q-Net प्रस्तुत करते हैं: एक स्टेट-स्पेस फॉर्मूलेशन पर बनाया गया कतार अनुमान ढांचा। यह डिज़ाइन कतार मॉडलिंग में प्रमुख चुनौतियों का समाधान करता है, जैसे कि यातायात संरक्षण धारणाओं का उल्लंघन। Q-Net का पालन कलमन प्रेडिक्ट-अपडेट संरचना करता है और भौतिक व्याख्यात्मकता बनाए रखता है यह क्यों महत्वपूर्ण है: बाजार, नियमों और एआई उपयोगकर्ताओं पर इस जानकारी के प्रभाव को देखना उपयोगी है। स्रोत: arXiv AI (22.05.2026) साइबरसुरक्षा में अमेरिकी एआई पर निर्भरता कम करने के लिए यूरोपीय संघ - Escudo Digital यूरोपीय संघ साइबरसुरक्षा में अमेरिकी एआई पर अपनी निर्भरता कम करना चाहता है Escudo Digital यह क्यों महत्वपूर्ण है: बाजार, नियमों और एआई उपयोगकर्ताओं पर इस जानकारी के प्रभाव को देखना उपयोगी है। स्रोत: Google News AI Europe (22.05.2026) फ्रांस की पब्लिकिस ने एआई पुश के तहत लाइवरैम्प को $2.55 बिलियन में अधिग्रहित किया - MSN फ्रांस की पब्लिकिस ने एआई पुश के तहत लाइवरैम्प को $2.55 बिलियन में अधिग्रहित किया MSN यह क्यों महत्वपूर्ण है: बाजार, नियमों और एआई उपयोगकर्ताओं पर इस जानकारी के प्रभाव को देखना उपयोगी होगा। स्रोत: Google News AI Europe (22.05.2026) उत्तरी अमेरिका इलेक्ट्रिक वाहन बैटरी फॉल्ट डिटेक्शन और डायग्नोसिस के लिए VBFDD-एजेंट: बैटरी डिजिटल सिग्नल्स का वर्णनात्मक पाठ मॉडलिंग arXiv:2605.20742v1 Announce Type: new Abstract: इलेक्ट्रिक वाहनों के तेजी से प्रसार के साथ, लिथियम-आयन बैटरियों की सुरक्षा और विश्वसनीयता महत्वपूर्ण चिंताएं बन गई हैं। प्रभावी विसंगति का पता लगाना सुरक्षित बैटरी संचालन सुनिश्चित करने के लिए आवश्यक है। हालांकि, जैसे-जैसे बैटरी सिस्टम और ऑपरेटिंग परिदृश्य अधिक जटिल होते जाते हैं, बैटरी दोष निदान और रखरखाव के लिए मजबूत क्रॉस-डोमेन अनुकूलनशीलता और मानव-एआई सहयोग की आवश्यकता होती है। पारंपरिक दोष पहचान और निदान विधियाँ आमतौर पर विशिष्ट परिदृश्यों और पूर्व-परिभाषित कार्यप्रवाहों के लिए डिज़ाइन की जाती हैं, जिससे वे जटिल वास्तविक दुनिया के अनुप्रयोगों में कम प्रभावी हो जाती हैं। ओपन-सोर्स बैटरी दोष रिपोर्ट कॉर्पोरा की कमी और एकीकृत रखरखाव ज्ञान प्रतिनिधित्व की कमी को दूर करने के लिए, यह अध्ययन बैटरी सिग्नल रिपोर्ट के लिए एक वर्णनात्मक पाठ मॉडलिंग दृष्टिकोण प्रस्तावित करता है। निगरानी संकेतों (Monitoring signals), सांख्यिकीय सुविधाओं (Statistical features), विसंगति रिकॉर्ड्स (Anomaly records), और स्थिति मूल्यांकन परिणामों को संरचित और पठनीय प्राकृतिक भाषा विवरणों में परिवर्तित किया जाता है, जिससे बैटरी स्वास्थ्य निदान और रखरखाव के लिए एक भाषा कॉर्पस बनता है। इस कॉर्पस के आधार पर, हम VBFDD-Agent प्रस्तावित करते हैं, जो ऑटोमोटिव-ग्रेड बैटरी सिस्टम के लिए एक वाहन बैटरी दोष पहचान और निदान एजेंट है। VBFDD-Agent संरचित नैदानिक परिणाम और रखरखाव सिफारिशें उत्पन्न करने के लिए वर्णनात्मक बैटरी-स्थिति ग्रंथों, ऐतिहासिक केस पुनर्प्राप्ति, स्थानीय रखरखाव मैनुअल और बड़े भाषा मॉडल तर्क को एकीकृत करता है। प्रयोग दिखाते हैं कि प्रस्तावित ढांचा वर्णनात्मक पाठ्य प्रतिनिधित्व के आधार पर विसंगति निगरानी का सटीक रूप से प्रदर्शन कर सकता है और लचीले, कुशल और कार्रवाई योग्य रखरखाव सुझाव प्रदान कर सकता है। विशेषज्ञ मूल्यांकन उत्पन्न सिफारिशों के व्यावहारिक मूल्य की पुष्टि करता है। कुल मिलाकर, VBFDD-Agent पारंपरिक बैटरी निदान from लेबल भविष्यवाणी से व्याख्या योग्य और रखरखाव-उन्मुख निर्णय समर्थन। यह क्यों महत्वपूर्ण है: यह जानकारी एआई समाधानों को अपनाने, विनियमन या सुरक्षा के लिए महत्वपूर्ण हो सकती है। स्रोत: arXiv AI (22.05.2026) GraphDiffMed: Knowledge-Constrained Differential Attention with Pharmacological Graph Priors for Medication Recommendation arXiv:2605.20188v1 Announce Type: cross Abstract: Recommending safe and effective medication combinations from electronic health records (EHRs) is a core clinical AI problem, yet it remains difficult because patient trajectories are long, noisy, and clinically heterogeneous.

Existing methods typically excel at either temporal modeling across visits or pharmacological knowledge integration (e.g., drug-drug interactions, DDIs), but rarely achieve both while robustly suppressing noise.

We present GraphDiffMed, a knowledge-constrained medication recommendation framework built on dual-scale Differential Attention v2.

Differential attention is applied at both intra-visit and inter-visit levels to filter spurious signals within encounters and across longitudinal history, while pharmacological constraints are incorporated during learning.

Experiments on MIMIC-III and ablation studies show that t यह क्यों महत्वपूर्ण है: बाजार, विनियमन और एआई उपयोगकर्ताओं पर इस जानकारी के प्रभाव का अवलोकन करना उपयोगी है। स्रोत: arXiv AI (22.05.2026) Trusted Weights, Treacherous Optimizations?