Where Quality Breaks in Compressed Short-Text Generation: Staged Bottleneck Localization
संपीड़ित लघु-पाठ जनन में गुणवत्ता कहाँ घटती है: चरणबद्ध बाधा-स्थानीकरण
संपीडित लघु-पाठ जनन का चरणबद्ध निदान, जो कोडेक पुनर्निर्माण हानि को अव्यक्त-जनन हानि से अलग करता है।
पूरा शोधपत्र HTML में पढ़ेंसूत्रों, सारणियों, चित्रों और संदर्भों सहित खोज-योग्य पाठ।
अंतिम स्वीकृत पांडुलिपि (लेखक द्वारा पोस्ट किया गया DOI-सहित संस्करण)। © 2026 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting or republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works. प्रकाशन और पुनः उपयोग की शर्तें.
30 सेकंड में शोधपत्र
शोध प्रश्नसंपीड़ित पाठ-जनन पाइपलाइन में गुणवत्ता हानि को कोडेक और गुप्त जनित्र के बीच अलग-अलग कैसे आरोपित किया जा सकता है?
समस्या
संपीड़ित लघु-पाठ जनन में डिकोड किए गए पाठ की निम्न गुणवत्ता का कारण कोडेक में नष्ट हुई सूचना या कमजोर अव्यक्त-स्थान जनन हो सकता है। आरंभ-से-अंत तक के स्कोर इन दोनों विफलता-कारणों के बीच का भेद धुँधला कर देते हैं और अनुकूलन का प्रयास गलत घटक पर केंद्रित कर सकते हैं।
पद्धति
चरणबद्ध प्रोटोकॉल एक ही बाहरी GPT-2 मूल्यांकक से मूल पाठों, उनके युग्मित कोडेक पुनर्निर्माणों, टोकन-स्थान MDLM आउटपुट और कोड-स्थान विसरण आउटपुट का मूल्यांकन करता है। कोडबुक और ज्यामिति के माप डिकोड किए गए पाठ की गुणवत्ता के विकल्प नहीं, केवल नैदानिक संकेतक हैं।
प्रमुख निष्कर्ष
कोडेक पुनर्निर्माण बाहरी परप्लेक्सिटी की माध्यिका को 15.17 से 27.36 और p95 को 25.10 से 98.91 तक बढ़ा देता है। इसके बावजूद कोड-स्थान MDLM, टोकन-स्थान MDLM की तुलना में माध्यिका परप्लेक्सिटी 30.9% घटाता है।
यह महत्त्वपूर्ण क्यों है
परिणाम कोडेक बाधा-बिंदु निदान को कार्यान्वित करने योग्य क्रम में बदलता है: पहले कोडेक सुधारों को प्राथमिकता दें, फिर टोकन-स्थान और कोड-स्थान जनन की तुलना करें, और अव्यक्त प्रतिनिधि माप में लाभ पर तभी भरोसा करें जब डिकोड किया गया पाठ भी सुधरे।
सार
संपीड़ित लघु-पाठ जनित्र दो अलग चरणों में विफल हो सकते हैं: जनन शुरू होने से पहले कोडेक सूचना नष्ट कर सकता है, या अव्यक्त जनित्र कमजोर कोड उत्पन्न कर सकता है। इन विफलता-कारणों को अलग न करने पर शोधकर्ता गलत घटक को सुधारने में संगणन संसाधन खर्च कर सकते हैं। हम इस समस्या का अध्ययन पदानुक्रमित VQ-VAE-2 कोडेक और मास्कित विविक्त विसरण जनित्र (MDLM) पर आधारित, नियंत्रित 64-से-16 TinyStories प्रकरण में करते हैं। चरणबद्ध सत्यापन प्रोटोकॉल एक साझा बाहरी GPT-2 मूल्यांकक के अंतर्गत कोडेक पुनर्निर्माण की निष्ठा, अव्यक्त जनन की गुणवत्ता और सहायक अव्यक्त निदानों को अलग करता है; ज्यामिति अध्ययन के लिए पूरक अर्थगत माप भी प्रस्तुत किए जाते हैं। परीक्षित विन्यास में केवल कोडेक पुनर्निर्माण ही बाहरी परप्लेक्सिटी की माध्यिका को 15.17 से 27.36 (+80.4%) और p95 को 25.10 से 98.91 (+294.1%) तक बढ़ा देता है, जिससे पता चलता है कि प्रमुख गुणवत्ता-हानि अव्यक्त जनन शुरू होने से पहले होती है। उसी मूल्यांकक के अंतर्गत कोड-स्थान MDLM, टोकन-स्थान विसरण से स्पष्ट रूप से बेहतर है और औसत, माध्यिका तथा p95 को क्रमशः 32.9%, 30.9% और 36.6% घटाता है। ज्यामिति-सजग नियमितीकरण स्थानीय अव्यक्त प्रतिनिधि संकेतकों को सुधारता है, पर उपलब्ध प्रयोगों में डिकोड किए गए पाठ के मापों को नहीं। योगदान एल्गोरिद्मिक नहीं, पद्धतिगत है: शोधपत्र एक ठोस पाइपलाइन के लिए पुनःप्रयोज्य चरणबद्ध निदान प्रस्तुत करता है और दिखाता है कि इस विन्यास में व्यावहारिक गुणवत्ता-सीमा अव्यक्त शोर-निराकरण के बजाय कोडेक की निष्ठा से निर्धारित होती है।
प्रकाशन स्थल 2026 39th Conference of Open Innovations Association (FRUCT)
योगदान का प्रकार निदान-पद्धति
अंक 1पृ. 69–76मुख्य सम्मेलन
मुख्य परिणाम
| मूल्यांकन बिंदु | n | माध्य PPL | माध्यिका PPL | p95 PPL |
|---|---|---|---|---|
| मूल पाठ | 256 | 16.24 | 15.17 | 25.1 |
| कोडेक पुनर्निर्माण | 256 | 37.26 | 27.36 | 98.91 |
| AR baseline | 251 | 30.98 | 23.27 | 56.11 |
| टोकन-स्थान MDLM | 256 | 44.74 | 38.42 | 93.6 |
| कोड-स्थान MDLM | 256 | 30.01 | 26.55 | 59.36 |
मुख्य परिणाम। देखी गई गुणवत्ता-हानि का अधिकांश भाग जनन से पहले ही उत्पन्न होता है; फिर भी कोड-स्थान विसरण, टोकन-स्थान विसरण की तुलना में माध्यिका परप्लेक्सिटी 30.9% घटाता है।
- डेटासेट
- TinyStories
- नमूना आकार
- 256 युग्मित पुनर्निर्माण samples; प्रत्येक mode में 251–256 जनित samples; चार सुमेलित geometry settings।
- मापन-सूचक
- बाहरी GPT-2 perplexity: माध्य, माध्यिका, p95 और अधिकतम; Codebook उपयोग और support size; ज्यामिति रनों के लिए SBERT, BERTScore, MAUVE और LLM-judge सारांश
- अनिश्चितता
- प्रस्तुत तुलनाएँ एकल प्रयोगों के वर्णनात्मक परिणाम हैं; विश्वास-अंतराल और अनेक सीड पर सांख्यिकीय सार्थकता के आकलन नहीं किए गए।
- शर्तें
- 64 लंबाई के GPT-2 टोकन अनुक्रमों को पदानुक्रमित VQ-VAE-2 से 16 शीर्ष-स्तरीय कोडों में संपीड़ित किया गया; सभी जनरेशन मोड साझा बाहरी स्कोरर का उपयोग करते हैं।
परिणाम डाउनलोड करें:CSVJSONMarkdownबाहरी मिरर:Hugging Face डेटासेट कार्ड
PDF और उद्धरण
इस शोधपत्र को उद्धृत करें BibTeX अनुशंसित प्रारूप है। नीचे दिया गया प्रत्येक प्रारूप उसी प्रकाशन अभिलेख से बनाया गया है।
@inproceedings{Gavrilov2026WhereQuality,
title = {Where Quality Breaks in Compressed Short-Text Generation: Staged Bottleneck Localization},
author = {Gavrilov, Alexey and Gazzaev, Alan-Barsag and Muravyov, Sergey},
booktitle = {2026 39th Conference of Open Innovations Association (FRUCT)},
publisher = {IEEE},
year = {2026},
pages = {69--76},
doi = {10.23919/FRUCT70069.2026.11506553},
url = {https://doi.org/10.23919/FRUCT70069.2026.11506553},
isbn = {978-952-65246-5-8},
}
Gavrilov, A., Gazzaev, A.-B., and Muravyov, S. (2026). Where Quality Breaks in Compressed Short-Text Generation: Staged Bottleneck Localization. In 2026 39th Conference of Open Innovations Association (FRUCT) (pp. 69–76). IEEE. https://doi.org/10.23919/FRUCT70069.2026.11506553A. Gavrilov, A.-B. Gazzaev, and S. Muravyov, “Where Quality Breaks in Compressed Short-Text Generation: Staged Bottleneck Localization,” in 2026 39th Conference of Open Innovations Association (FRUCT), 2026, pp. 69–76, doi: 10.23919/FRUCT70069.2026.11506553.TY - CPAPER
TI - Where Quality Breaks in Compressed Short-Text Generation: Staged Bottleneck Localization
AU - Gavrilov, Alexey
AU - Gazzaev, Alan-Barsag
AU - Muravyov, Sergey
PY - 2026
DA - 2026-04-28
T2 - 2026 39th Conference of Open Innovations Association (FRUCT)
SP - 69
EP - 76
PB - IEEE
DO - 10.23919/FRUCT70069.2026.11506553
UR - https://doi.org/10.23919/FRUCT70069.2026.11506553
SN - 978-952-65246-5-8
SN - 2305-7254
ER -
उद्धरण फ़ाइलें:APA पाठIEEE पाठRISCSL-JSONSchema.org JSON-LDOAI-DC XMLOpenAIRE v4 XMLMODS XMLJATS 1.4 मेटाडेटा XMLपूर्ण-पाठ JATS 1.4 XMLRDF Turtleलिंक समुच्चय (JSON)लिंक समुच्चय (HTTP)RO-Crate
संपूर्ण मार्गदर्शिका
संपूर्ण शोध मार्गदर्शिका
पद्धति
शोधपत्र तीन मूल्यांकन चरणों में एक ही मूल्यांकक का उपयोग करता है, जिससे प्रत्येक अतिरिक्त रूपांतरण को मापनीय गुणवत्ता-अंतर से जोड़ा जा सके।
पुनर्निर्माण करें
कोडेक पुनर्निर्माण लॉस मापने के लिए प्रत्येक 64-token TinyStories नमूने को 16 शीर्ष-स्तरीय कोड में एनकोड करें और तत्काल डीकोड करें।
जनरेट करें
MDLM से या तो पाठ टोकन या डिस्क्रीट लेटेंट कोड जनरेट करें; फिर उसी प्रशिक्षित कोडेक से कोड-स्पेस नमूनों को डीकोड करें।
तुलना करें
मूल पाठों, पुनर्निर्माणों और जनित पाठों को एक ही बाहरी GPT-2 प्रोटोकॉल से स्कोर करें; इसमें माध्यिका और वितरण-पुच्छ के सांख्यिकीय माप भी शामिल हों।
मुख्य विचार
कोडेक जिस सूचना को पहले ही त्याग चुका है, उसे downstream generator पुनः प्राप्त नहीं कर सकता। अतः अव्यक्त-जनन परिणामों की व्याख्या से पहले पुनर्निर्माण चरण का audit करना आवश्यक है।
निकटवर्ती दृष्टिकोणों से अंतर
मानक आरंभ-से-अंत तुलनाएँ एक अंतिम जनन स्कोर प्रस्तुत करती हैं। यह प्रोटोकॉल युग्मित पुनर्निर्माण जाँच-बिंदु जोड़ता है और अव्यक्त स्थान के स्वास्थ्य मापदंडों को डिकोड किए गए पाठ के साक्ष्य से अलग करता है।
नवीनता क्या है
इसका योगदान किसी नए शोर-निराकरण एल्गोरिदम के बजाय एक ठोस संपीड़ित-पाठ पाइपलाइन के लिए पुनःप्रयोग योग्य चरणबद्ध निदान पद्धति है।
वे प्रश्न जिनके उत्तर में यह शोधपत्र सहायक है
शोधपत्र पर आधारित संक्षिप्त उत्तर के लिए कोई प्रश्न चुनें। साक्ष्य की विस्तृत सीमाएँ ‘सीमाएँ’ अनुभाग में दी गई हैं।
संपीड़ित लघु-पाठ जनन में गुणवत्ता कहाँ क्षीण होती है?
परीक्षित TinyStories 64-to-16 पाइपलाइन में प्रमुख अवनति गुप्त जनन शुरू होने से पहले, कोडेक पुनर्निर्माण के चरण में दिखाई देती है। बाह्य GPT-2 माध्यिका परप्लेक्सिटी मूल पाठ के 15.17 से बढ़कर पुनर्निर्माण के बाद 27.36 हो जाती है, जबकि p95 25.10 से बढ़कर 98.91 होता है। यह निष्कर्ष एक विन्यास से संबंधित है, इसे कोडेकों की सार्वभौमिक श्रेणी-व्यवस्था नहीं माना जाना चाहिए।
कोडेक हानि को गुप्त-जनन हानि से अलग कैसे किया जा सकता है?
चरणबद्ध प्रोटोकॉल एक ही साझा बाहरी स्कोरर से मूल पाठ, युग्मित कोडेक पुनर्निर्माण और अंतिम जनित पाठ का मूल्यांकन करता है। मूल से पुनर्निर्माण तक का अंतर कोडेक के योगदान का अनुमान देता है, जबकि पुनर्निर्माण और जनित आउटपुट की तुलना अतिरिक्त जनन-चरण हानि का स्थान निर्धारित करने में सहायक होती है। अव्यक्त निरोगता मेट्रिक्स को डिकोड किए गए पाठ के साक्ष्य से अलग प्रस्तुत किया जाता है।
विविक्त गुप्त निरूपण पर आधारित पाठ जनन का मूल्यांकन कैसे किया जाना चाहिए?
शोधपत्र जनकों की तुलना से पहले पुनर्निर्माण निष्ठा जाँचने, प्रत्येक चरण में समान डिकोड-पाठ मूल्यांकक लागू करने तथा केंद्रीय और पुच्छ सांख्यिकी प्रस्तुत करने की अनुशंसा करता है। यह कोडबुक उपयोग, ज्यामिति और अन्य अव्यक्त प्रतिनिधि मापों को डिकोड किए गए पाठ की गुणवत्ता के विकल्प के बजाय निदान संकेतक मानता है।
क्या कोड-स्पेस डिफ्यूज़न, टोकन-स्पेस डिफ्यूज़न से बेहतर प्रदर्शन करता है?
साझा स्कोरर और परीक्षित विन्यास में कोड-स्थान MDLM, टोकन-स्थान MDLM की तुलना में औसत, माध्यिका और p95 परप्लेक्सिटी को क्रमशः 32.9%, 30.9% और 36.6% घटाता है। यह तुलना वर्णनात्मक और विन्यास-विशिष्ट है; यह डेटासेटों, संपीड़न अनुपातों, कोडेकों या विसरण आर्किटेक्चरों में कोई सार्वभौमिक वरीयता स्थापित नहीं करती।
क्या बेहतर लेटेंट ज्यामिति मेट्रिक्स बेहतर जनित पाठ की गारंटी देते हैं?
नहीं। उपलब्ध सुमेलित प्रयोगों में ज्यामिति-सजग नियमितीकरण ने स्थानीय अव्यक्त-स्थान प्रतिनिधि-मापों में सुधार किया, किंतु डिकोडेड-पाठ मापन-सूचकों में नहीं। यह परिणाम प्रत्येक प्रतिनिधि-माप लाभ की अंतिम डिकोडेड आउटपुट पर जाँच करने और अंतरण के अभाव को जनन-सुधार का प्रमाण मानने के बजाय एक उपयोगी नकारात्मक परिणाम मानने का समर्थन करता है।
निकटवर्ती दृष्टिकोणों से तुलना
| पद्धति | निरूपण | नियंत्रण / निदान | क्या संरक्षित या मापा जाता है |
|---|---|---|---|
| टोकन-स्थान विसरण | पाठ टोकन | टोकन स्पेस में जनरेशन गुणवत्ता | प्रत्यक्ष जनरेशन की प्रवाहशीलता और स्कोरर का व्यवहार |
| संपीडित अव्यक्त जनन | कोडेक के माध्यम से डिस्क्रीट लेटेंट कोड | अंतिम एंड-टू-एंड जनरेशन गुणवत्ता | कोडेक और अव्यक्त-जनित्र का संयुक्त व्यवहार |
| चरणबद्ध बाधा-बिंदु स्थानीयकरण | पाठ, कोडेक पुनर्निर्माण और विविक्त अव्यक्त चर | कोडेक हानि को जनन हानि से अलग रखें | एक साझा स्कोरर के अंतर्गत गुणवत्ता कहाँ घटती है |
यह तुलना मूल्यांकन-क्षेत्र और साक्ष्य में भेद करती है; यह पद्धतियों की सार्वभौमिक क्रमसूची नहीं है।
प्रासंगिकता और दायरा
चरणबद्ध प्रोटोकॉल तब उपयोगी है जब किसी जनन पाइपलाइन में सीखा हुआ कोडेक और अव्यक्त-स्थान जनित्र दोनों हों, पर आउटपुट की घटी हुई गुणवत्ता का स्रोत स्पष्ट न हो।
संपीडित और विविक्त-अव्यक्त पाठ-जनन
जननात्मक पाइपलाइनों में कोडेक पुनर्निर्माण की निष्ठा
कोड स्थान में मुखौटित विसरण भाषा मॉडलिंग
बाधा-स्थानीकरण और चरण-संगत मूल्यांकन
decoded पाठ के सापेक्ष अव्यक्त-स्थान proxy सुधारों का audit
सीमाएँ
- अनुभवजन्य अध्ययन केवल TinyStories का उपयोग करता है।
- मुख्य विश्लेषण एक आक्रामक 64-से-16 संपीड़न व्यवस्था तक सीमित है।
- मूल्यांकित प्रणाली एक पदानुक्रमित VQ-VAE-2 कोडेक परिवार को एक MDLM जनक के साथ संयोजित करती है।
- तुलनाएँ एकल प्रयोगों पर आधारित हैं और बहु-seed सांख्यिकीय आकलनों के बजाय वर्णनात्मक हैं।
- बाहरी GPT-2 परप्लेक्सिटी एक साझा नैदानिक माप है, अर्थगत गुणवत्ता का सार्वभौमिक माप नहीं।
- निष्कर्षों को सभी डेटासेट, कोडेक वास्तुकलाओं अथवा संपीड़न अनुपातों पर सीधे लागू नहीं किया जाना चाहिए।
शोधपत्र में उद्धृत संदर्भ
ये प्रविष्टियाँ शोधपत्र के PDF में क्रमांकित References खंड के अनुरूप हैं।
- Subham Sekhar Sahoo, Marianne Arriola, Yair Schiff, Aaron Gokaslan, Edgar Marroquin, Justin T Chiu, Alexander Rush, Volodymyr Kuleshov. . Simple and Effective Masked Diffusion Language Models. Advances in Neural Information Processing Systems.
- Aaron van den Oord, Oriol Vinyals, Koray Kavukcuoglu. . Neural Discrete Representation Learning. Advances in Neural Information Processing Systems.
- Ali Razavi, Aaron van den Oord, Oriol Vinyals. . Generating Diverse High-Fidelity Images with VQ-VAE-2. Advances in Neural Information Processing Systems.
- Jacob Austin, Daniel D. Johnson, Jonathan Ho, Daniel Tarlow, Rianne van den Berg. . Structured Denoising Diffusion Models in Discrete State-Spaces. Advances in Neural Information Processing Systems.
- Aaron Lou, Chenlin Meng, Stefano Ermon. . Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution. Proceedings of the 41st International Conference on Machine Learning.
- Xiaochuang Han, Sachin Kumar, Yulia Tsvetkov. . SSD-LM: Semi-autoregressive Simplex-based Diffusion Language Model for Text Generation and Modular Control. Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics.
- Xiang Lisa Li, John Thickstun, Ishaan Gulrajani, Percy Liang, Tatsunori B. Hashimoto. . Diffusion-LM Improves Controllable Text Generation. Advances in Neural Information Processing Systems.
- Huiwen Chang, Han Zhang, Lu Jiang, Ce Liu, William T. Freeman. . MaskGIT: Masked Generative Image Transformer. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.
- Marjan Ghazvininejad, Omer Levy, Yinhan Liu, Luke Zettlemoyer. . Mask-Predict: Parallel Decoding of Conditional Masked Language Models. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing.
- Emiel Hoogeboom, Didrik Nielsen, Priyank Jaini, Patrick Forré, Max Welling. . Argmax Flows and Multinomial Diffusion: Learning Categorical Distributions. Advances in Neural Information Processing Systems.
- Alec Radford, Jeffrey Wu, Rewon Child, David Luan, Dario Amodei, Ilya Sutskever. . Language Models are Unsupervised Multitask Learners. OpenAI Technical Report.
- Nils Reimers, Iryna Gurevych. . Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing.
- Tianyi Zhang, Varsha Kishore, Felix Wu, Kilian Q. Weinberger, Yoav Artzi. . BERTScore: Evaluating Text Generation with BERT. International Conference on Learning Representations.
- Krishna Pillutla, Swabha Swayamdipta, Rowan Zellers, John Thickstun, Sean Welleck, Yejin Choi, Zaid Harchaoui. . MAUVE: Measuring the Gap Between Neural Text and Human Text using Divergence Frontiers. Advances in Neural Information Processing Systems.
- Lianmin Zheng, Wei-Lin Chiang, Ying Sheng, Siyuan Zhuang, Zhanghao Wu, Yonghao Zhuang, Zi Lin, Zhuohan Li, Dacheng Li, Eric P. Xing, Hao Zhang, Joseph E. Gonzalez, Ion Stoica. . Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena. Advances in Neural Information Processing Systems, Datasets and Benchmarks Track.
संसाधन और पुनरुत्पादकता
- प्रकाशक
- IEEE
- प्रकाशन संसाधन
- सार्वजनिक पांडुलिपि, परिणाम सारणियाँ, व्याख्यात्मक चित्र और उद्धरण फ़ाइलें यहाँ उपलब्ध हैं। कार्यान्वयन कोड और जाँच-बिंदु सार्वजनिक रूप से जारी नहीं किए गए हैं।
डेटा-विवरण
- स्रोत
- TinyStories, जैसा शोधपत्र में वर्णित है।
- लाइसेंस
- TinyStories का उपयोग डेटासेट की अपनी शर्तों के अधीन है; यह साइट किसी डेटासेट फ़ाइल का पुनर्वितरण नहीं करती।
- पूर्वप्रसंस्करण
- GPT-2 टोकनाइज़ेशन, नियत 64-token इनपुट और 64 से 32 तथा फिर 16 स्थितियों तक पदानुक्रमित कालिक संपीड़न।
- विभाजन
- प्रकाशन में 256 युग्मित पुनर्निर्माण नमूने और प्रति मोड 251–256 जनित नमूने बताए गए हैं; यह पुनःप्रयोग योग्य train/validation विभाजन मैनिफ़ेस्ट प्रकाशित नहीं करता।
- प्रारूप
- लघु पाठ नमूने, GPT-2 टोकन अनुक्रम, विविक्त कोड अनुक्रम, जनन लॉग और सारांश सारणियाँ।
- संस्करण / चेकसम
- paper में dataset checksum अथवा अपरिवर्तनीय TinyStories snapshot identifier की सूचना नहीं दी गई है।
- अधिग्रहण
- प्रकाशन page के साथ कोई सार्वजनिक acquisition script जारी नहीं की गई है।
- उपयोग की सीमाएँ
- साक्ष्य लघु कृत्रिम कथाओं तक सीमित है और इसे अप्रतिबंधित प्राकृतिक-भाषा जनन का बेंचमार्क नहीं माना जाना चाहिए।
संस्करण
- प्रकाशित संस्करणIEEE / FRUCT, 2026
- arXiv recordप्रीप्रिंट अभिलेख खोलें, arXiv:2607.24176
- लेखक की पांडुलिपिपाठ-सुलभ स्थानीय PDF
- सम्मेलन व्याख्यानFRUCT 39 प्रस्तुति
- सम्मेलन कार्यवाही की अनुक्रमणिकाआधिकारिक FRUCT 39 खंड
- सम्मेलन कार्यवाही PDFFRUCT मुक्त पूर्ण पाठ
- अकादमिक अभिलेख खोलेंOpenAlex
- उद्धरण-ग्राफ़ अभिलेखSemantic Scholar
- लेखक द्वारा साझा पूर्ण पाठResearchGate
प्रकाशित DOI प्राथमिक ग्रंथसूची पहचानकर्ता है। यह पृष्ठ सभी संस्करणों में परियोजना का एकमात्र प्रामाणिक URL बना रहता है।