20419 पेपर
यह शोध पत्र एक मितव्ययी, हाइब्रिड न्यूरल आर्किटेक्चर सर्च फ्रेमवर्क प्रस्तावित करता है जो इमेज क्लासिफिकेशन और इम्बैलेंस्ड टैबुलर डेटा कार्यों के लिए कंज्यूमर-ग्रेड हार्डवेयर पर कॉम्पैक्ट, उच्च-प्रदर्शन वाले डीप लर्निंग मॉडल्स को कुशलतापूर्वक खोजने के लिए आर्टिफिशियल बी कॉलोनी एल्गोरिदम के साथ एक ट्रांसफॉर्मर-आधारित रीइन्फोर्समेंट लर्निंग कंट्रोलर को जोड़ता है।
यह शोध पत्र एक पैरामीटर-कुशल, कैस्केडेड लो-रैंक एडेप्टेशन (LoRA) फ्रेमवर्क प्रस्तावित करता है जो चिकित्सा प्रशिक्षण वातावरण में क्रिया पहचान (action recognition) के लिए विषम मोडालिटीज़ को क्रमिक रूप से एकीकृत करता है, जो NurViD और नर्स ट्रेनिंग जैसे स्वास्थ्य देखभाल डेटासेट पर व्यक्तिगत मोडालिटी मॉडलों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।
यह शोधपत्र REGRIND को प्रस्तुत करता है, जो एक न्यूनतम पाइपलाइन है जो रिटारगेटिंग-गाइडेड सुदृढीकरण लर्निंग (reinforcement learning) को ज़ीरो-शॉट सिम-टू-रियल ट्रांसफर के साथ जोड़ता है ताकि केवल एक एकल मानव प्रदर्शन का उपयोग करके मल्टी-फिंगर्ड रोबोट्स पर डेक्सट्रस, कॉन्टैक्ट-रिच मैनिपुलेशन कार्यों को सक्षम किया जा सके।
यह शोध पत्र एक सैद्धांतिक ढांचा प्रस्तुत करता है जो यह प्रदर्शित करता है कि सामान्यीकृत आगमनात्मक तर्क (inductive reasoning) कार्यों पर ट्रांसफॉर्मर की शिक्षण गतिशीलता (learning dynamics) एक निम्न-आयामी अपरिवर्तनीय मैनिफोल्ड (low-dimensional invariant manifold) तक सीमित है, जो इन-कॉन्टेक्स्ट बनाम इन-वेट्स लर्निंग के लक्षण वर्णन, प्रारंभिक स्थिति (initialization) के आधार पर सर्किट चयन की भविष्यवाणी, और सीखे गए सर्किट्स के स्वचालित पता लगाने को सक्षम बनाती है।
यह शोध पत्र NeuroStrata को प्रस्तुत करता है, जो एक न्यूरोसिम्बोलिक फ्रेमवर्क है जिसे सुरक्षा प्रमाणन चुनौतियों को संबोधित करने के लिए स्टोकेस्टिक AI परतों को व्याख्या योग्य प्रतीकात्मक घटकों से बदलकर स्वायत्त साइबर-भौतिक प्रणालियों के डिज़ाइन, परीक्षण क्षमता और सत्यापन क्षमता को बढ़ाने के लिए डिज़ाइन किया गया है।
GraphSeg एक ऐसा फ्रेमवर्क है जो गहराई के डेटा के बिना विरल (sparse) 2D छवियों से सुसंगत 3D ऑब्जेक्ट सेगमेंटेशन उत्पन्न करता है, जो सेगमेंटेशन को ग्राफ एज एडिशन और कॉन्ट्रैक्शन समस्या के रूप में स्वरूपित करके असंरचित वातावरण में मजबूत रोबोटिक हेरफेर को सक्षम बनाता है।
यह शोध पत्र ज्यामितीय विस्थापन (geometric shifting) और सहप्रसरण हेरफेर (covariance manipulation) को एलएलएम (LLMs) में व्हाइट-बॉक्स मॉनिटर से बचने के लिए सक्षम करने वाले प्रमुख तंत्रों के रूप में पहचानता है और सेफ्टीनेट (SafetyNet) का प्रस्ताव करता है, जो एक सुदृढ़ एंसेम्बल रक्षा (robust ensemble defense) है जो कई मॉडल परिवारों और बेंचमार्क में लगभग पूर्ण डिटेक्शन प्रदर्शन प्राप्त करता है।
यह शोध पत्र एक नए सैद्धांतिक ढांचे का प्रस्ताव और सत्यापन करता है जो यह प्रदर्शित करता है कि एक AI एजेंट की क्षमताओं के बारे में मानवीय विश्वास RLHF में प्राथमिकता जनरेशन (preference generation) को महत्वपूर्ण रूप से प्रभावित करते हैं, और यह दर्शाता है कि इन विश्वासों को वास्तविक एजेंट क्षमताओं के साथ संरेखित करना—इष्टतमता (optimality) मान लेने के बजाय—अधिक प्रदर्शन करने वाली सीखी गई नीतियों की ओर ले जाता है।
यह शोध पत्र REAL को प्रस्तुत करता है, जो एक नवीन KV कैश इविक्शन विधि है जो सफल और विफल तर्क पैटर्न (reasoning patterns) दोनों का विश्लेषण करने के लिए एक अटेंशन बिहेवियर मैट्रिक्स का लाभ उठाती है, जिससे मौजूदा बेसलाइनों की तुलना में काफी कम मेमोरी ओवरहेड के साथ अत्याधुनिक लॉन्ग-कॉन्टेक्स्ट प्रदर्शन प्राप्त होता है।
यह शोध पत्र कॉन्ट्रास्टिव वीक-टू-स्ट्रॉन्ग जनरलाइजेशन (ConG) को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो संरेखित (aligned) कमजोर मॉडलों से उच्च गुणवत्ता वाले प्रशिक्षण नमूने उत्पन्न करने के लिए इम्प्लिसिट रिवॉर्ड्स और कॉन्ट्रास्टिव डिकोडिंग के बीच संरचनात्मक समानता का लाभ उठाता है, जिससे मानव फीडबैक के बिना बड़े भाषा मॉडलों के स्केलिंग की मजबूती और प्रभावशीलता बढ़ती है।