MARC

 008260126s2025        us                              c    eng  d
■001000017360456
■00520260202105529
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263343934
■035    ▼a(MiAaPQ)AAI32309806
■035    ▼a(MiAaPQ)GeorgiaTech77829
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616.8522
■1001  ▼aVerma,  Gaurav.
■24510▼aRobust,  Efficient,  and  Adaptable  Multimodal  Artificial  Intelligence  for  Vertical  Applications
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a213  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Kumar,  Srijan.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aLarge  artificial  intelligence  (AI)  models  have  attracted  widespread  attention  for  theirimpressive,  sometimes  "superhuman,"  performance  on  standardized  benchmarks.  Yet,a  decade  of  research  applying  these  models  in  domains  such  as  healthcare,  web  safety,and  education  has  revealed  persistent  challenges.  For  instance,  many  popular  AI  modelsare  brittle  to  small  input  variations,  large  language  models  (LLMs)  exhibit  sensitivity  toprompt  formatting,  and  their  performance  deteriorates  in  highly  specialized  settings.  Theseshortcomings  are  often  amplified  when  AI  systems  struggle  to  effectively  support  diverseuser  groups,  such  as  users  with  a  lower  Need  For  Cognition.  Consequently,  the  successfuladoption  of  large  AI  models  in  specialized  verticals  requires  strategic  efforts.The  key  contributions  made  in  this  thesis  -  along  with  the  thesis  statement,  overview,  andimpact  -  are  presented  in  Chapter  1.  To  address  the  aforementioned  challenges,  this  thesisstarts  by  presenting  a  framework  that  helps  researchers  and  developers  optimize  large-modeldevelopment  and  deployment  (Part  1;  Chapter  2).  The  framework  articulates  four  modularlayers:  (i)  starting  with  large  AI  models  at  the  bottom,  (ii)  vertical-agnostic  properties,  (iii)vertical-specific  applications,  and  (iv)  finally,  vertical-user  interfacing.  Beyond  capturingthe  modular  steps  in  developing  practical  systems  that  deliver  real  value  to  end  users,  theframework  also  serves  as  the  foundation  for  further  contributions  made  in  this  thesis.Large  AI  models  that  process,  understand,  and  generate  multimodal  data-spanningvision  and  language-form  the  backbone  of  human-like  AI  interactions  and  richer  worldunderstanding  than  unimodal  systems.  To  this  end,  this  thesis  advances  the  use  of  largemultimodal  models  in  multiple  verticals  by  addressing  three  vertical-agnostic  properties(Part  2):  (a)  robustness  to  realistic  data  variations  (Chapter  3),  (b)  efficient  cross-modalmapping  (Chapter  4),  and  (c)  adaptability  to  new  tasks  and  domains  (Chapter  5).  First,  weassess  how  current  multimodal  models  respond  to  cross-modally  grounded  input  variationsand  expose  their  brittleness.  Next,  we  propose  a  straightforward  yet  effective  methodto  capture  text  "visualness,"  thereby  making  text-to-image  retrieval  and  generation  moreefficient.  Finally,  we  show  how  to  adapt  multimodal  agents  to  custom  workflows  withminimal  human  demonstrations.  Addressing  these  issues  of  robustness,  efficiency,  andadaptability  reduces  barriers  to  integrating  multimodal  AI  across  verticals,  enabling  moreeffective  remediation  techniques.Figure  1:  Overview  of  the  thesis;  read  from  bottom  to  top.  We  address  vertical-agnosticproperties  as  well  as  vertical-specific  challenges  of  applying  large  multimodal  models.Building  on  these  foundational  elements,  the  thesis  transitions  from  vertical-agnosticproperties  to  vertical-specific  applications  (Part  3).  We  show  that  delivering  value  inspecific  verticals  requires  tailored  data,  models,  and  evaluation  methods.  Focusing  onweb  safety  and  well-being,  we  collaborate  with  domain  experts  to  (a)  characterize  anddetect  violence-provoking  speech  (Chapter  6),  and  (b)  use  large  language  models  (LLMs)  touncover  personal  well-being  insights  that  can  inform  policymaking  (Chapter  7).  Throughthese  focused  efforts,  we  develop  a  nuanced  view  of  current  AI  strengths  and  limitations.Concluding  these  explorations,  we  demonstrate  how  vertical-specific  insights  can  loop  backto  improve  large  AI  models,  by  spotlighting  inequitable  outcomes  across  languages  andshowing  that  multimodal  training  mitigates  these  disparities  (Chapter  8).In  summary,  while  large  multimodal  models  have  the  potential  to  revolutionize  verticalsystems  and  deliver  tangible  value  to  end  users,  they  remain  challenging  to  adopt  acrossspecialized  domains.  This  thesis  offers  a  modular  framework  for  addressing  both  verticalagnostic  properties  -  robustness,  efficiency,  and  adaptability  -  and  vertical-specificchallenges,  exemplified  by  web  safety  and  well-being.  Beyond  these  contributions,  weemphasize  that  effective  user  interfacing  stands  as  a  major  open  challenge,  providingopportunities  for  future  work  (Chapter  9).
■590    ▼aSchool  code:  0078.
■650  4▼aAnxiety
■650  4▼aAdaptability
■650  4▼aHumanitarianism
■650  4▼aAdaptation
■650  4▼aViolence
■650  4▼aCommunity
■650  4▼aLikert  scale
■650  4▼aKeywords
■650  4▼aImage  retrieval
■650  4▼aFalse  information
■650  4▼aMultilingualism
■650  4▼aSpeech
■650  4▼aLarge  language  models
■650  4▼aBilingual  education
■650  4▼aClinical  psychology
■650  4▼aWeb  studies
■690    ▼a0800
■690    ▼a0282
■690    ▼a0622
■690    ▼a0646
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360456▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서