23941 पेपर
यह अध्ययन प्रदर्शित करता है कि क्रॉस-लिंग्विस्टिक ब्रेन-एलएलएम संरेखण (alignment) मुख्य रूप से एक मॉडल के प्रशिक्षण-भाषा प्रभुत्व द्वारा संचालित होता है न कि किसी अंतर्निहित अंग्रेजी लाभ द्वारा, जिसमें अवशिष्ट भिन्नताएं वास्तविक टाइपोलॉजिकल दूरियों को दर्शाती हैं जो असमान रूप से सिंटैक्टिक मस्तिष्क क्षेत्रों को प्रभावित करती हैं।
यह शोध पत्र लेयर-वाइज ऑप्टिमल एम्बेडिंग सिलेक्शन (LOES) और ज्योमेट्रिक रेगुलराइजेशन लॉस (GeoReg) को प्रस्तुत करता है ताकि यह प्रदर्शित किया जा सके कि डीप फाउंडेशनल मॉडल्स में कार्य-प्रासंगिक जानकारी परतों के बीच गैर-एकदिष्ट (non-monotonically) रूप से वितरित होती है, जो यह दर्शाता है कि कार्य-विभेदक मध्यवर्ती निरूपणों (intermediate representations) की स्पष्ट रूप से पहचान करना और उन्हें ज्यामितीय रूप से संरेखित करना मानक ट्रांसफर लर्निंग दृष्टिकोणों की तुलना में काफी बेहतर प्रदर्शन करता है।
यह अध्ययन प्रदर्शित करता है कि बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) पर लागू स्पार्स ऑटोएनकोडर्स उन व्याख्या योग्य अर्थपूर्ण विशेषताओं को प्रकट करते हैं जो न केवल यह स्पष्ट करती हैं कि मध्यवर्ती परतें मानव मस्तिष्क की प्रतिक्रियाओं की सबसे अच्छी भविष्यवाणी क्यों करती हैं, बल्कि मस्तिष्क के ज्ञात कॉर्टिकल सिमेंटिक टोपोग्राफी को भी दोहराती हैं और कई भाषाओं में पढ़ने के समय की भविष्यवाणी भी करती हैं।
यह शोधपत्र पहला कारणत्मक प्रमाण (causal evidence) प्रदान करता है कि बड़े भाषा मॉडल सांख्यिकीय पूर्व-अधिग्रहण (statistical preemption) के माध्यम से भाषाई अस्वीकार्यता के ज्ञान को प्राप्त करते हैं, जो यह प्रदर्शित करता है कि पारंपरिक रूपों के संपर्क में आने से केवल क्रियात्मक सुदृढ़ीकरण (verb entrenchment) के बजाय वितरण संबंधी प्रतिस्पर्धा (distributional competition) के माध्यम से संरचनात्मक रूप से संभव लेकिन अप्रमाणित विकल्पों का दमन होता है।
यह शोध पत्र TIME को प्रस्तुत करता है, जो एक सिंथेटिक मोशन डेटा के माध्यम से एक मास्क्ड ऑटोएनकोडर द्वारा विशेष रूप से प्रशिक्षित एक सेल्फ-सुपरवाइज्ड वीडियो रिप्रेजेंटेशन है, जो वर्तमान वीडियो मॉडलों की स्केलेबिलिटी और भाषा-निर्भरता की सीमाओं को पार करते हुए 10,000 गुना कम प्रशिक्षण डेटा के साथ अत्याधुनिक ज़ीरो-शॉट प्रदर्शन प्राप्त करता है।
यह शोध पत्र पुनरावृत्त शिक्षण सिद्धांत (iterated learning theory) को लागू करके मॉडल कोलैप्स को एक सांस्कृतिक संचरण घटना के रूप में पुनर्गठित करता है ताकि यह प्रदर्शित किया जा सके कि अनफ़िल्टर्ड सेल्फ-ट्रेनिंग भाषाई संरचनात्मकता (linguistic compositionality) के गैर-एकदिष्ट क्षरण (non-monotonic degradation) का कारण बनती है, जो कई मॉडलों और भाषाओं में मान्य एक ऐसा निष्कर्ष है जो सुदृढ़ सेल्फ-ट्रेनिंग पाइपलाइनों को डिजाइन करने के लिए ठोस सिद्धांत प्रदान करता है।
यह शोध पत्र KAPLAN-HR को प्रस्तुत करता है, जो सर्वाइवल एनालिसिस (survival analysis) के लिए एक B-spline कोलोगोरोव-आर्नोल्ड नेटवर्क (Kolmogorov-Arnold Network) है, जो बिना किसी मैनुअल स्पेसिफिकेशन के जटिल कोवेरिएट इंटरैक्शन (covariate interactions) और समय-परिवर्तित प्रभावों (time-varying effects) को स्वचालित रूप से सीखता है, आयाम-स्वतंत्र अभिसरण दरें (dimension-independent convergence rates) और नैदानिक डेटासेट (clinical datasets) में श्रेष्ठ भविष्य कहनेवाला प्रदर्शन (predictive performance) प्रदान करता है।
यह शोध पत्र GPLD को प्रस्तुत करता है, जो DreamerV3 के लिए एक ग्रेडिएंट-पेनलाइज्ड लेटेंट डायनेमिक्स रेगुलराइज़र है जो रो-वाइज़ जैकोबियन पेनाल्टी के माध्यम से ट्रांज़िशन लर्निंग में स्थानीय सुगमता (local smoothness) को लागू करता है, जिससे निरंतर नियंत्रण वातावरणों (continuous control environments) में सैंपल दक्षता और लर्निंग कंसिस्टेंसी में सुधार होता है।
यह शोध पत्र सात लोकप्रिय लार्ज लैंग्वेज मॉडल्स द्वारा जनरेट किए गए कोड की सुरक्षा का अनुभवजन्य रूप से मूल्यांकन करता है और पाता है कि उन सभी द्वारा उत्पन्न कोड में कमजोरियां मौजूद हैं, जिनमें से अधिकांश गंभीर या उच्च स्तर की हैं।
यह अध्ययन प्रदर्शित करता है कि जबकि StyleGAN2-ADA द्वारा जनरेट की गई सिंथेटिक ब्रेन एमआरआई सभी मॉडल आर्किटेक्चर में ट्यूमर वर्गीकरण को सार्वभौमिक रूप से बेहतर नहीं बनाती हैं, वे 1:1 वास्तविक-से-सिंथेटिक अनुपात पर फीचर-स्पेस फ़िल्टरिंग का उपयोग करने पर MobileViTV2 के लिए सांख्यिकीय रूप से महत्वपूर्ण सटीकता वृद्धि प्रदान करती हैं, जो इस बात को रेखांकित करता है कि संवर्धन उपयोगिता केवल दृश्य निष्ठा के बजाय विशिष्ट क्लासिफायर और डेटा कॉन्फ़िगरेशन पर निर्भर करती है।