23941 पेपर
यह शोध पत्र समाधान की नियमितता (regularity) को इनपुट विवक्तीकरण (discretization) से जोड़ने वाले विश्लेषणात्मक बंधों को व्युत्पन्न करके और 1D और 2D बेंचमार्क पर अनुभवजन्य प्रयोगों के माध्यम से इन निष्कर्षों को मान्य करके, स्टेट स्पेस मॉडल-आधारित और फूरियर न्यूरल ऑपरेटर्स के विवक्तीकरण त्रुटि और स्थिरता के लिए सैद्धांतिक गारंटी स्थापित करता है।
यह शोधपत्र DFBScanner का प्रस्ताव करता है, जो एक हल्का और अत्यंत तीव्र स्टैटिक फ्रेमवर्क है जो अंतिम वर्गीकरण परत (final classification layer) में विसंगत पैरामीटर अपडेट का विश्लेषण करके डीप न्यूरल नेटवर्क में बैकडोर हमलों का पता लगाता है, और विविध हमलों में उच्च सटीकता प्राप्त करते हुए प्रति मॉडल औसतन केवल 1 मिलीसेकंड का पता लगाने का समय प्राप्त करता है।
यह शोध पत्र HTell को प्रस्तुत करता है, जो एक तेज़ और हल्का, डेटा-मुक्त बैकडोर डिटेक्शन मेथड है जो रैंडम लेटेंट प्रोब्स के तहत प्रेडिक्शन हेड में असामान्य रिस्पॉन्स कंसन्ट्रेशन का विश्लेषण करके समझौता किए गए मॉडल्स की पहचान करता है, और बिना किसी वास्तविक डेटा, ग्रेडिएंट्स या इटरेटिव ऑप्टिमाइज़ेशन के उच्च सटीकता और दक्षता प्राप्त करता है।
यह शोध पत्र WILDFIRE-FM को प्रस्तुत करता है, जो विशेष रूप से जंगल की आग की भविष्यवाणी के लिए प्रीट्रेन किया गया पहला फाउंडेशन मॉडल है, और एक फिक्स्ड-कॉन्ट्रैक्ट मूल्यांकन ढांचे का प्रस्ताव करता है ताकि यह प्रदर्शित किया जा सके कि वाइल्डफायर ट्रांसफर निष्कर्ष मूल्यांकन डिजाइन और कार्य निर्माण के प्रति अत्यधिक संवेदनशील होते हैं।
यह शोध पत्र DMN को पेश करता है, जो एक कंपोजिशनल जेलब्रेक फ्रेमवर्क है जो निर्देशों को वितरित करके, मल्टीमॉडल साक्ष्य प्रदान करके और नंबर चेन कार्यों को जोड़कर मल्टी-इमेज इनपुट का लाभ उठाता है, जिससे अग्रणी मल्टीमॉडल LLMs पर 90% से अधिक हमला सफलता दर प्राप्त की जाती है, जिससे उनके सुरक्षा संरेखण (safety alignment) की महत्वपूर्ण कमजोरियों को उजागर किया जा सके।
यह शोध पत्र SynGR का प्रस्ताव करता है, जो एक सहक्रियात्मक (synergistic) जनरेटिव रिकमेंडेशन फ्रेमवर्क है जो उभरते हुए आइटम अर्थों (item semantics) को कैप्चर करने के लिए क्रॉस-मोडल निर्भरताओं का स्पष्ट रूप से लाभ उठाता है और कई बेंचमार्क में मौजूदा अलाइनमेंट-केंद्रित दृष्टिकोणों से बेहतर प्रदर्शन करता है।
यह शोध पत्र ऑब्सेसिव एक्सपीरियंस पॉइज़निंग (OEP) को प्रस्तुत करता है, जो एक लो-प्रिविलेज ब्लैक-बॉक्स हमला है जो मेमोरी-ऑगमेंटेड LLM एजेंटों को स्थानीय रूप से सही लेकिन गैर-हस्तांतरणीय अनुभवों के साथ समझौता करके बाधित करता है, जिनमें गंभीर काल्पनिक परिणाम शामिल होते हैं, जिससे एजेंट स्व-विकास के दौरान हानिकारक नियमों में अत्यधिक सामान्यीकरण करने लगते हैं।
हाइपरग्राफफॉर्मर (HypergraphFormer) एक नवीन, एलएलएम-आधारित (LLM-based) दृष्टिकोण है जो हाइपरग्राफ निरूपणों को सीखकर संपादन योग्य फ्लोर प्लान तैयार करता है, जो सटीकता, डेटा दक्षता और मनमाने सीमाओं के अनुकूलनशीलता में अत्याधुनिक तरीकों से बेहतर प्रदर्शन करता है।
यह शोधपत्र O'Prior को प्रस्तुत करता है, जो एक कंपोजिशनल रियलिज्म प्रायर (compositional realism prior) है जो अत्यधिक आदर्शित सिंथेटिक प्रीट्रेनिंग डिस्ट्रीब्यूशन के स्थान पर एक अधिक जटिल, स्ट्रेस-टेस्टेड जनरेशन प्रोटोकॉल का उपयोग करके टैबुलर फाउंडेशन मॉडल्स की सटीकता और मजबूती को महत्वपूर्ण रूप से बढ़ाता है, जो वास्तविक दुनिया के डेटा की अनियमितताओं की बेहतर नकल करता है।
यह शोध पत्र प्रदर्शित करता है कि सेल्फ-सुपरवाइज्ड बैकबोन, विशेष रूप से DINO और CLIP मॉडल, कलाकृतियों के वर्गीकरण और पुनर्प्राप्ति में सुपरवाइज्ड विधियों से लगातार बेहतर प्रदर्शन करते हैं, जो वर्चुअल रियलिटी म्यूजियम नेविगेशन जैसे वास्तविक दुनिया के अनुप्रयोगों के लिए मूल्यवान अंतर्दृष्टि प्रदान करते हैं।