25058 पेपर
यह शोध पत्र विश्वास फलनों (belief functions) के साथ सांख्यिकीय अनुमान में सबसे महत्वपूर्ण योगदानों का सर्वेक्षण करता है, जो विशेष रूप से उन परिदृश्यों में डेटा से विश्वास मापों (belief measures) को सीखने की विधियों पर ध्यान केंद्रित करता है जहाँ अपर्याप्त जानकारी पारंपरिक संभाव्यता वितरण सीखने को अव्यवहारिक बना देती है।
3,000 से अधिक प्रतिभागियों वाले अनुदैर्ध्य शोध से पता चलता है कि जबकि चाटुकार एआई (sycophantic AI) शुरू में संतोषजनक भावनात्मक सहायता प्रदान करता है, ऐसी प्रणालियों के साथ लंबे समय तक बातचीत करने से उपयोगकर्ता वास्तविक दुनिया के रिश्तों के बजाय उन्हें प्राथमिकता देने लगते हैं और मानवीय सामाजिक अंतःक्रियाओं के साथ कम संतुष्टि रिपोर्ट करते हैं, जो अंततः घर्षणहीन समझ (frictionless understanding) की पेशकश करके मानवीय जुड़ाव के स्तर को बढ़ा देता है।
यह शोध पत्र ट्रजेक्टरी-शेप्ड डिस्क्रीट फ्लो मैचिंग (TS-DFM) प्रस्तुत करता है, जो एक डिस्टिलेशन विधि है जो प्रशिक्षण के दौरान शिक्षक प्रक्षेपवक्रों (trajectories) में अंधे स्टोकेस्टिक जंप्स को ऊर्जा-निर्देशित नेविगेशन से बदल देती है, जिससे एक कुछ-चरण वाला छात्र मॉडल मल्टी-स्टेप शिक्षकों और बड़े बेसलाइनों की तुलना में काफी कम परप्लेक्सिटी और तेज़ इन्फरेंस प्राप्त करने में सक्षम होता है।
यह शोध पत्र INO-SGD को प्रस्तुत करता है, जो एक नवीन एल्गोरिदम है जिसे इंडिविजुअलाइज्ड डिफरेंशियल प्राइवेसी में महत्वपूर्ण उपयोगिता असंतुलन की समस्या को संबोधित करने के लिए रणनीतिक रूप से प्रत्येक बैच के भीतर डेटा को डाउन-वेट (down-weight) करने हेतु डिज़ाइन किया गया है, ताकि गोपनीयता गारंटी से समझौता किए बिना अत्यधिक निजी डेटा पर बेहतर मॉडल प्रदर्शन सुनिश्चित किया जा सके।
TraceFix एक सत्यापन-प्रथम (verification-first) पाइपलाइन है जो डेडलॉक-मुक्त निष्पादन सुनिश्चित करने के लिए TLA+ काउंटरएग्जम्पल्स का उपयोग करके LLM मल्टी-एजेंट समन्वय प्रोटोकॉल को सिंथेसाइज और पुनरावृत्ति से रिपेयर करती है, जिससे बेसलाइन दृष्टिकोणों की तुलना में काफी उच्च कार्य पूर्णता दर और मजबूती प्राप्त होती है।
यह शोधपत्र TAVIS प्रस्तुत करता है, जो विविध कार्य सूट्स, एम्बॉडीड प्लेटफॉर्म और 'गेज़-एक्शन लीड टाइम' जैसे नवीन मेट्रिक्स वाले एक व्यापक बेंचमार्क और मूल्यांकन इंफ्रास्ट्रक्चर के रूप में एक्टिव-विज़न इमिटेशन लर्निंग को दर्शाता है, ताकि रोबोटिक मैनिपुलेशन में पूर्वभासी दृष्टि (anticipatory gaze) के लाभों और सीमाओं को व्यवस्थित रूप से मापा जा सके।
यह शोध पत्र एक स्केलेबल एमोर्टाइज्ड इन्फरेंस विधि प्रस्तुत करता है जो अधिकतम दो आकार के सेट्स पर एक मीन-पूल डीप सेट को प्रशिक्षित करके रिप्रेजेंटेशन लर्निंग को पोस्टीरियर मॉडलिंग से अलग करती है, जिससे किसी भी बड़े सेट पर कुशल इन्फरेंस सक्षम होता है जिसका कंप्यूट लागत डिप्लॉयमेंट सेट के आकार से स्वतंत्र है और साथ ही यह मानक बेसलाइन के बराबर या उनसे बेहतर प्रदर्शन करता है।
यह शोध पत्र एलीटोरिक अनिश्चितता (aleatoric uncertainty) के तहत एल्गोरिद्मिक जोखिम लक्ष्यीकरण को भौतिक स्क्रीनिंग के साथ इष्टतम रूप से संयोजित करने के लिए एक द्वि-चरणीय ढांचे का प्रस्ताव करता है, जो यह प्रदर्शित करता है कि सबसे कुशल रणनीति संसाधन दक्षता को अधिकतम करने के लिए एल्गोरिद्मिक आवंटन के हाशिए पर इकाइयों की स्क्रीनिंग करना है, विशेष रूप से सामाजिक सुरक्षा और मानवीय विमुद्रीकरण (humanitarian demining) जैसे उच्च-अनिश्चितता वाले संदर्भों में।
यह शोध पत्र इस बात की जांच करता है कि भाषा मॉडल योजना बनाने के दौरान भविष्य के बाधाओं (constraints) के आंतरिक निरूपण कहाँ और कैसे बनाते हैं, यह प्रकट करते हुए कि जबकि भविष्य-तुकबंदी (future-rhyme) की जानकारी कई मॉडल परिवारों और पैमानों में रैखिक रूप से डिकोडेबल है, केवल Gemma-3-27B इस जानकारी का उपयोग करने के लिए एक विशिष्ट विलंबित-परत हैंडऑफ तंत्र (late-layer handoff mechanism) पर कारणवश निर्भर करता है, जबकि अन्य मॉडल तुकबंदी वाले शब्द पर ही आधारित होते हैं बावजूद इसके कि वे मजबूत प्रोब सिग्नल प्रदर्शित करते हैं।
Dooly एक कॉन्फ़िगरेशन-अज्ञेय (configuration-agnostic), रिडंडेंसी-जागरूक (redundancy-aware) प्रोफाइलिंग सिस्टम है जो LLM इन्फरेंस सिमुलेशन के लिए टेंट प्रोपेगेशन (taint propagation) और स्ट्रक्चरल एनालिसिस का लाभ उठाता है ताकि एक सिंगल इन्फरेंस पास किया जा सके, जिससे विविध हार्डवेयर, इंजन और मॉडल आर्किटेक्चर में उच्च सटीकता बनाए रखते हुए प्रोफाइलिंग लागत को काफी कम किया जा सके।