23845 पेपर
यह शोध पत्र "प्रिफिक्स फिल्टर्स" (prefix filters) और "पल्ला" (Palla) एल्गोरिदम को पेश करता है जो डोमेन-विशिष्ट बाधाओं को कुशलतापूर्वक सीखने और लागू करने के लिए है जो सामान्य LLM त्रुटि पैटर्न को पकड़ते हैं और उन्हें सुधारते हैं, जिससे आउटपुट वैधता जैसे कि टाइपस्क्रिप्ट (TypeScript) कंपाइलेशन दरों में महत्वपूर्ण सुधार होता है।
यह शोध पत्र एक उन्नत लार्ज नेबरहुड सर्च पद्धति प्रस्तावित करता है जो इनकम्पैटिबल कस्टमर्स वाले कैपेसिटेटेड फैसिलिटी लोकेशन प्रॉब्लम को हल करने के लिए मौजूदा अत्याधुनिक मेटाह्यूरिस्टिक्स से बेहतर प्रदर्शन करने हेतु हाइब्रिड डिस्ट्रॉय ऑपरेटर्स को एक सटीक रिपेयर सॉल्वर के साथ जोड़ता है, जिससे सभी बेंचमार्क इंस्टेंसों के लिए नए सर्वश्रेष्ठ समाधान प्राप्त हुए हैं।
यह शोध पत्र SB-ECC प्रस्तुत करता है, जो एक स्कोर-आधारित डिकोडर है जो त्रुटि सुधार (error correction) को एक न्यूरल प्रोबेबिलिटी-फ्लो ODE के माध्यम से निरंतर-समय डिनोइजिंग प्रक्रिया के रूप में फ्रेम करता है, जो SNR अनुमान की आवश्यकता के बिना विविध कोड सेटिंग्स में बेहतर बिट-त्रुटि-दर प्रदर्शन प्राप्त करता है और विलंबता (latency) एवं सटीकता के बीच लचीले ट्रेड-ऑफ को सक्षम बनाता है।
यह शोध पत्र COVCAL को प्रस्तुत करता है, जो एक जोखिम-नियंत्रण ढांचा (risk-control framework) है जो प्रूफ़ कवरेज और नैदानिक संकेतों (diagnostic signals) के आधार पर उत्तरों को गतिशील रूप से चुनकर, प्राकृतिक-भाषा गणितीय समस्याओं के लिए जज के रूप में लीन (Lean) औपचारिकीकरण (formalization) के उपयोग की विश्वसनीयता को प्रमाणित करता है, यह प्रदर्शित करते हुए कि जहाँ छोटे ऑटोफॉर्मलाइज़र (autoformalizers) जोखिम-नियंत्रित स्वीकृति के लिए बहुत विरल संकेत प्रदान करते हैं, वहीं विशिष्ट फॉर्मलाइज़र सख्त जोखिम सीमाओं के तहत उच्च-सटीकता चयन को सक्षम करते हैं।
यह शोध पत्र CLANE प्रस्तुत करता है, जो इंटेल लोइही 2 (Intel Loihi 2) न्यूरोमॉर्फिक हार्डवेयर पर तैनात एक एंड-टू-एंड निरंतर शिक्षण (continual learning) प्रणाली है, जो उच्च ऊर्जा दक्षता और कम विलंबता के साथ नवीन मानवीय क्रियाओं को पहचानने और सीखने के लिए इवेंट कैमरों का उपयोग करती है, तथा THU E-ACT-50 डेटासेट पर 70.4% सटीकता प्राप्त करते हुए पारंपरिक एज GPU बेसलाइनों से काफी बेहतर प्रदर्शन करती है।
यह शोध पत्र HRBench प्रस्तुत करता है, जो 6 हाइब्रिड-रीजनिंग (hybrid-reasoning) LLMs और 5 रीजनिंग डोमेन में 12 थिंकिंग-मोड स्विचिंग रणनीतियों को व्यवस्थित रूप से बेंचमार्क करने वाला एक एकीकृत मूल्यांकन ढांचा है, ताकि उनकी विशिष्ट प्रभावशीलता-दक्षता ट्रेड-ऑफ्स (effectiveness-efficiency trade-offs) को स्पष्ट किया जा सके और मॉडल स्केल एवं कार्य आवश्यकताओं के आधार पर इष्टतम रणनीति चयन के लिए मार्गदर्शन किया जा सके।
DenoiseRL एक स्केलेबल रीइन्फोर्समेंट लर्निंग फ्रेमवर्क है जो कमजोर मॉडलों के गलत ट्रेसेस (traces) से सीधे सीखकर और शोर वाले प्रीफिक्स (noisy prefixes) से उबरकर बड़े भाषा मॉडलों में तर्क क्षमता को बढ़ाता है, जिससे महंगे टीचर सुपरविजन या क्यूरेटेड डेटासेट्स की आवश्यकता समाप्त हो जाती है और यह मजबूत ऑन-पॉलिसी बेसलाइन्स से बेहतर प्रदर्शन करता है।
यह शोध पत्र ANoCo का प्रस्ताव करता है, जो एक प्रशिक्षण-मुक्त अनसुपरवाइज्ड विसंगति पहचान (अनसुपरवाइज्ड एनोमली डिटेक्शन) विधि है, जो एक क्वेरी पैच को एक निश्चित सामान्य फीचर मैनिफोल्ड के साथ संरेखित करने के लिए आवश्यक उत्तल लाप्लासियन ऊर्जा (कॉन्वेक्स लाप्लासियन एनर्जी) की गणना करके दृश्य विसंगतियों को परिमाणित करती है, जिससे यह सरल समानता के बजाय अनुकूलन-प्रेरित फीचर ड्रिफ्ट (ऑप्टिमाइजेशन-इंड्यूस्ड फीचर ड्रिफ्ट) के माध्यम से गैर-अनुरूपता को मापती है।
BiasEdit एक मॉड्यूलर, प्रशिक्षण-मुक्त ढांचा है जो सांख्यिकीय और दृश्य-भाषाई विश्लेषण का उपयोग करके इमेज डेटासेट में अज्ञात पूर्वाग्रह गुणों का स्वचालित रूप से पता लगाता है, फिर यथार्थवादी पूर्वाग्रह-संघर्ष नमूनों को उत्पन्न करने के लिए टेक्स्ट-गाइडेड इमेज एडिटिंग का उपयोग करता है, जिससे बिना किसी मैनुअल एनोटेशन या पूर्वाग्रहों के पूर्व ज्ञान के निष्पक्ष विजुअल क्लासिफायर को प्रशिक्षित करना सक्षम होता है।
यह शोध पत्र एक एंड-टू-एंड पाइपलाइन प्रस्तुत करता है जो कॉम्पिटेंसी ग्राफ्स और एविडेंस स्पैन्स द्वारा नियंत्रित लार्ज लैंग्वेज मॉडल्स का लाभ उठाकर लर्निंग रिसोर्सेज को संरचित दक्षताओं के साथ स्वचालित और पारदर्शी रूप से टैग करता है, जो मौजूदा बेसलाइन्स की तुलना में बेहतर प्रदर्शन प्राप्त करने के साथ-साथ मानव-ऑडिट योग्य करिकुलम एनालिटिक्स को सक्षम बनाता है।