24509 पेपर
यह शोध पत्र क्लास-इन्क्रीमेंटल लर्निंग में पॉइंट-वाइज न्यूरल कोलैप्स मान्यताओं की सीमाओं को दूर करने के लिए एक टोपोलॉजी-अवेयर पदानुक्रमित क्लासिफायर, HC-SOINN, को स्ट्रक्चर-टोपोलॉजी एलाइनमेंट वाया रेसिडुअल्स (STAR) पद्धति के साथ प्रस्तावित करता है, ताकि जटिल क्लास मैनिफोल्ड्स को प्रभावी ढंग से मॉडल किया जा सके और नॉन-लीनियर फीचर ड्रिफ्ट के अनुकूल बना जा सके।
यह शोध पत्र यह प्रदर्शित करता है कि लार्ज लैंग्वेज मॉडल (LLM) के इनपुट्स में बिना प्रशिक्षण वाले रैंडम एम्बेडिंग वेक्टर्स को इंजेक्ट करना, शुरुआती चरण की टोकन विविधता को बढ़ाकर और Pass@N को विस्तृत करके तर्क क्षमता (reasoning performance) को प्रभावी ढंग से बढ़ाता है, जो एक ऐसी प्रक्रिया है जो बिना किसी सीखे हुए सॉफ्ट प्रॉम्प्ट्स के अनुमान सटीकता (inference accuracy) और प्रशिक्षण परिणामों दोनों में सुधार करती है।
यह अध्ययन प्रदर्शित करता है कि जहाँ ओपन-लूप बेयसियन ऑप्टिमाइज़ेशन ने 30P30N हाई-लिफ्ट विंग पर स्टेडी जेट कंट्रोल के माध्यम से एरोडायनामिक दक्षता में 10.9% का सुधार सफलतापूर्वक किया, वहीं क्लोज्ड-लूप डीप रीइन्फोर्समेंट लर्निंग ने दंड-प्रधान (पेनल्टी-डोमिनेटेड) रिवॉर्ड फंक्शन के कारण नगण्य लाभ दिया जिसने अन्वेषण (एक्सप्लोरेशन) को सीमित कर दिया।
यह शोध पत्र प्राकृतिक भाषा की आवश्यकताओं से स्वचालित रूप से एंटिटी-रिलेशनशिप आरेख (Entity-Relationship diagrams) उत्पन्न करने में लार्ज लैंग्वेज मॉडल्स की प्रभावशीलता का मूल्यांकन करता है, जिसमें यह पाया गया है कि हालांकि वे सरल परिदृश्यों में पर्याप्त प्रदर्शन करते हैं, लेकिन जटिलता बढ़ने के साथ बढ़ती विसंगतियों और अर्थ संबंधी त्रुटियों के कारण उनकी विश्वसनीयता काफी घट जाती है, जो यह सुझाव देता है कि वे व्यापक सत्यापन के बिना जटिल डेटाबेस मॉडलिंग के लिए अभी भी पर्याप्त परिपक्व नहीं हैं।
यह शोध पत्र पांच लक्षित डेटासेट्स पर अपने आउटपुट लेयर्स और पैरामीटर्स को परिष्कृत करके इमेज क्लासिफिकेशन के लिए ग्यारह ImageNet प्री-ट्रेंड डीप न्यूरल नेटवर्क्स का मूल्यांकन करता है, और इष्टतम मॉडल चयन के मार्गदर्शन के लिए सटीकता, प्रशिक्षण समय और मॉडल आकार के आधार पर उनके प्रदर्शन का आकलन करता है।
यह शोध पत्र BadSKP प्रस्तुत करता है, जो एक नवीन बैकडोर हमला है जो नॉलेज ग्राफ-एन्हांस्ड LLMs के ग्राफ-कंडीशन्ड चैनल का फायदा उठाते हुए नोड एम्बेडिंग्स को मैनिपुलेट करके सिमेंटिक एंकरिंग को ओवरराइड करता है, जिससे उच्च अटैक सक्सेस रेट प्राप्त होता है जहाँ पारंपरिक टेक्स्ट-आधारित हमले विफल हो जाते हैं।
यह शोध पत्र यह प्रकट करता है कि मेमोरी-बाउंड बाधाओं के कारण GPU पावर हेडरूम का उपयोग न हो पाने की वजह से LLM ऑटोरेग्रेसिव डिकोड के लिए पावर कैपिंग अप्रभावी है, और यह प्रदर्शित करता है कि SM क्लॉक लॉकिंग एक बेहतर रणनीति है जो विविध अटेंशन आर्किटेक्चर में थ्रूपुट हानि को न्यूनतम करते हुए डिकोड ऊर्जा में 32% तक की बचत करती है।
यह शोध पत्र CR^2 का प्रस्ताव करता है, जो वायरलेस LLM इन्फरेंस के लिए एक दो-चरणीय डिवाइस-एज रूटिंग फ्रेमवर्क है, जो लेटेंसी, ऊर्जा और सटीकता के बीच संतुलन को अनुकूलित करने के साथ-साथ संसाधन संबंधी बाधाओं के तहत फॉल्स-एक्सेप्टेंस (false-acceptance) जोखिमों को स्पष्ट रूप से प्रबंधित करने के लिए एक हल्के ऑन-डिवाइस मार्जिन गेट को कॉन्फॉर्मल रिस्क कंट्रोल के साथ जोड़ता है।
यह शोध पत्र SkillSafetyBench प्रस्तुत करता है, जो एक ऐसा बेंचमार्क है जो यह प्रदर्शित करता है कि पुन: प्रयोज्य कौशल (reusable skills) और स्थानीय आर्टिफैक्ट्स (local artifacts) सौहार्दपूर्ण उपयोगकर्ता अनुरोधों से भी असुरक्षित एजेंट व्यवहार उत्पन्न कर सकते हैं, जिससे यह स्पष्ट होता है कि एजेंट की सुरक्षा केवल मॉडल-स्तरीय संरेखण (model-level alignment) पर ही नहीं, बल्कि इस बात पर भी महत्वपूर्ण रूप से निर्भर करती है कि मॉडल कौशलों की व्याख्या कैसे करते हैं और वर्कफ़्लो संदर्भों पर कितना भरोसा करते हैं।
वायगोत्स्की की 'ज़ोन ऑफ़ प्रॉक्सिमल डेवलपमेंट' (समीपस्थ विकास का क्षेत्र) की अवधारणा का सहारा लेते हुए, यह शोध पत्र तर्क देता है कि लार्ज लैंग्वेज मॉडल्स वितरित निरूपणों (डिस्ट्रिब्यूटेड रिप्रेजेंटेशन्स) के बजाय अभ्यासों के माध्यम से "आदिम सोच" (प्रिमिटिव थिंकिंग) में संलग्न होते हैं, जो यह सुझाव देता है कि उनके मतिभ्रम (हैलुसिनेशन्स) स्वप्न देखने के समान हैं और मानव जैसा सामान्य बोध बाहरी सुरक्षा घेरों (गार्डरेल्स) के बजाय अंतःक्रिया से उभरता है।