25186 पेपर
CAMEL एक विश्वास-आधारित प्रतिबिंब ढांचा (trust-based reflection framework) है जो कुशल सिंगल-टोकन प्राथमिकता निर्णयों को कम-विश्वास वाले उदाहरणों के लिए चयनात्मक, सुदृढीकरण शिक्षण-संचालित स्व-सुधार के साथ जोड़ता है, जिससे काफी कम मापदंडों और एक बेहतर सटीकता-दक्षता अनुपात के साथ रिवॉर्ड मॉडलिंग में अत्याधुनिक सटीकता प्राप्त होती है।
यह शोध पत्र PulseLM को प्रस्तुत करता है, जो 10 लाख से अधिक PPG सेगमेंट और 25 लाख प्रश्न-उत्तर युग्मों से युक्त एक बड़े पैमाने का फाउंडेशन डेटासेट और बेंचमार्क है, जो PPG-आधारित AI मॉडलों के लिए मल्टीमॉडल लर्निंग, सामान्यीकरण और मानकीकृत मूल्यांकन को सक्षम करने हेतु कच्चे शारीरिक तरंगों (raw physiological waveforms) को प्राकृतिक भाषा के साथ जोड़ता है।
MedMamba एक सिद्धांत-आधारित मल्टी-स्केल बायडायरेक्शनल स्टेट स्पेस मॉडल है जो मेडिकल टाइम सीरीज़ क्लासिफिकेशन के लिए ट्रांसफॉर्मर-आधारित विधियों की तुलना में अत्याधुनिक सटीकता और 4.6 गुना तेज़ इन्फरेंस प्राप्त करने के लिए शारीरिक संकेतों (फिजियोलॉजिकल सिग्नल्स) के विशिष्ट इंडक्टिव बायस का लाभ उठाता है।
यह लेख प्रेडिक्टिव मल्टीप्लिसिटी (predictive multiplicity) और केओटिक डायनेमिक्स (chaotic dynamics) के बीच एक सेतु का कार्य करता है, जिसमें 'होराइजन-कंस्ट्रेंड रशोन सेट्स' (horizon-constrained Rashomon Sets) को पेश किया गया है, जो एक ऐसा ढांचा है जो यह वर्णन करता है कि अराजक प्रणालियों में भविष्यवाणियों की क्षितिज सीमा (prediction horizon) के साथ मॉडल विविधता कैसे विकसित होती है ताकि निर्णय-उन्मुख मॉडल चयन को सक्षम बनाया जा सके, जो सुरक्षा-महत्वपूर्ण अनुप्रयोगों में डाउनस्ट्रीम उपयोगिता में महत्वपूर्ण सुधार करता है।
यह शोध पत्र हाइब्रिड और रिकरेंट (recurrent) LLM सर्विंग के लिए स्पार्स प्रीफिक्स कैशिंग (sparse prefix caching) प्रस्तुत करता है, जो एक ऐसी विधि है जो गणना को सबसे गहरे मिलान (deepest match) से फिर से शुरू करने के लिए स्पार्स चेकपॉइंट स्थितियों पर सटीक रिकरेंट स्टेट्स को रणनीतिक रूप से संग्रहीत करके विलंबता (latency) को अनुकूलित करती है, जिससे सटीक आउटपुट को संरक्षित करते हुए और बिना किसी कर्नेल परिवर्तन की आवश्यकता के मौजूदा डेंस कैशिंग ह्यूरिस्टिक्स (dense caching heuristics) से बेहतर प्रदर्शन किया जाता है।
यह शोध पत्र MidSteer को प्रस्तुत करता है, जो एक नवीन एफ़ाइन (affine) फ्रेमवर्क है जो LEACE जैसे मौजूदा तरीकों का सामान्यीकरण करके विविध आर्किटेक्चर और मोडैलिटीज में इष्टतम, न्यूनतम-विक्षोभ (minimal-disturbance) रूपांतरणों को सक्षम बनाता है, जिससे जनरेटिव मॉडल्स में कॉन्सेप्ट स्टीयरिंग के लिए एक व्यापक सैद्धांतिक आधार प्रदान होता है।
यह शोध पत्र टोकन-सिलेक्टिव अटेंशन (TSA) को प्रस्तुत करता है, जो एक हल्का, एंड-टू-एंड डिफरेंशिएबल गेटिंग मैकेनिज्म है जो ट्रांसफॉर्मर्स को संदर्भ-आधारित कठिनाई के आधार पर व्यक्तिगत टोकन के लिए अनावश्यक लेयर गणनाओं को गतिशील रूप से छोड़ने में सक्षम बनाता है, जिससे बिना किसी स्पष्ट डेप्थ रेगुलराइजेशन की आवश्यकता के और न्यूनतम गुणवत्ता हानि के साथ महत्वपूर्ण दक्षता लाभ प्राप्त होता है।
यह शोध पत्र एक ज्यामितीय ढांचा प्रस्तुत करता है जो यह प्रदर्शित करता है कि स्पार्स ऑटोएन्कोडर्स (Sparse Autoencoders) में कंपोजिशनल फीचर स्टीयरिंग (compositional feature steering), गैर-रेखीय हस्तक्षेप (non-linear interference) और एक "रैचेट प्रभाव" (ratchet effect) द्वारा मौलिक रूप से सीमित है, जो अर्थपूर्ण विशेषताओं के संयोजन के दौरान व्यवस्थित विचलन (systematic drift) और पतन (collapse) का कारण बनते हैं, जिससे नैइव लीनियर सुपरपोजिशन (naive linear superposition) की स्केलेबिलिटी को चुनौती मिलती है।
यह शोध पत्र फ्रोजन लेयर्स द्वारा सिमेंटिक फ़िल्टरिंग के कारण प्रीट्रेनिंग-फाइनट्यूनिंग प्रतिमान (पैराडाइम) के तहत मौजूदा अनलर्नेबल उदाहरणों की सीमाओं की पहचान करता है और विविध प्रशिक्षण सेटिंग्स में डेटा की अनलर्नेबिलिटी को प्रभावी ढंग से संरक्षित करने के लिए एक नवीन 'शैलो सिमेंटिक कैमौफ्लेज' रणनीति का प्रस्ताव करता है।
यह शोध पत्र प्रीट्रेनड डीप लर्निंग मॉडल्स के वेट्स (weights) के क्वांटाइजेशन स्टेट्स को फाइन-ट्यून करने के लिए एक इवोल्यूशनरी ऑप्टिमाइज़ेशन रणनीति प्रस्तावित करता है, जो यह प्रदर्शित करता है कि मानों (values) को मानक नियरएस्ट-नेबर राउंडिंग से दूर ले जाने से रिसोर्स-कंस्ट्रेंड एप्लिकेशन्स के लिए VGG, ResNet और ऑटोएनकोडर्स जैसे क्वांटाइज्ड आर्किटेक्चर की सटीकता में महत्वपूर्ण सुधार होता है।