21138 पेपर
यह शोध पत्र एक नवीन व्हाइट-बॉक्स एडवरसैरियल अटैक पद्धति प्रस्तुत करता है जो मैकेनिस्टिक इंटरप्रिटेबिलिटी का लाभ उठाकर एम्बेडिंग्स को रिफ्यूज़ल (अस्वीकृति) से एक्सेप्टेंस (स्वीकृति) सबस्पेस में पहचानने और पुनरनिर्देशित करने का कार्य करती है, जिससे मौजूदा तकनीकों की तुलना में काफी कम कम्प्यूटेशनल लागत के साथ अत्याधुनिक एलएलएम (LLMs) पर उच्च जेलब्रेक सफलता दर प्राप्त होती है।
यह शोध पत्र एक न्यूरो-सिम्बोलिक ढांचे का प्रस्ताव करता है जो मल्टी-इंस्टेंस पार्शियल लेबल लर्निंग के सिमेंटिक्स को औपचारिक रूप देने के लिए इंडक्टिव लॉजिक प्रोग्रामिंग को एकीकृत करता है, जिससे अस्पष्ट सुपरविजन सिग्नल्स के बारे में संरचित तर्क और सरल सटीकता मेट्रिक्स से परे सिमेंटिक विफलता मोड का निदान सक्षम होता है।
यह समीक्षा इस बात का परीक्षण करती है कि कैसे वर्ड एम्बेडिंग्स से लेकर उन्नत ट्रांसफार्मर और हायना मॉडल्स तक, नेचुरल लैंग्वेज प्रोसेसिंग तकनीकों को जैविक अंतर्दृष्टि प्राप्त करने और जीवन प्रक्रियाओं की हमारी समझ को आगे बढ़ाने के लिए जीनोमिक, ट्रांसक्रिप्टोमिक और प्रोटिओमिक डेटा का विश्लेषण करने हेतु अनुकूलित किया जाता है।
यह शोधपत्र FuseMamba-VD का प्रस्ताव करता है, जो एक कुशल द्विशाखीय (dual-branch) VideoMamba आर्किटेक्चर है जिसमें गेटेड क्लास टोकन फ्यूजन का उपयोग किया गया है, जो स्टेट-स्पेस मॉडल बैकबोन के माध्यम से सटीकता और कम्प्यूटेशनल दक्षता को प्रभावी ढंग से संतुलित करके कई बेंचमार्क पर अत्याधुनिक हिंसा पहचान प्रदर्शन प्राप्त करता है।
यह शोध पत्र एन्सेम्बल इलास्टिक डीक्यूएन (EEDQN) को प्रस्तुत करता है, जो एक वैल्यू-बेस्ड सुदृढीकरण शिक्षण (रीइन्फोर्समेंट लर्निंग) एल्गोरिदम है जो ओवरएस्टिमेशन बायस (अति-आकलन पूर्वाग्रह) को प्रभावी ढंग से कम करने और कई मिनाटार (MinAtar) वातावरणों में बेहतर प्रदर्शन प्राप्त करने के लिए एडेप्टिव इलास्टिक मल्टी-स्टेप रिटर्न्स को होराइजन-डिपेंडेंट एन्सेम्बल एग्रीगेशन के साथ संयोजित करता है।
यह शोधपत्र Active-MoSH को प्रस्तुत करता है, जो एक संवादात्मक ढांचा (interactive framework) है जो स्थानीय संभाव्य वरीयता शिक्षण (local probabilistic preference learning) को वैश्विक संवेदनशीलता विश्लेषण (global sensitivity analysis) के साथ जोड़ता है ताकि उच्च-दांव वाले बहु-उद्देश्यीय समस्याओं में निर्णयकर्ताओं को सॉफ्ट और हार्ड सीमाओं के भीतर समाधानों को पुन: परिष्कृत करते हुए कुशलतापूर्वक निर्देशित किया जा सके, साथ ही यह सुनिश्चित किया जा सके कि बेहतर विकल्पों की अनदेखी न हो।
यह शोधपत्र कॉन्टेक्स्ट ट्यूनिंग (Context Tuning) को प्रस्तुत करता है, जो एक वेट-फ्री (weight-free) विधि है जो इन-कॉन्टेक्स्ट लर्निंग के माध्यम से प्रदर्शनों (demonstrations) से एक प्रशिक्षण योग्य मेमोरी प्रतिनिधित्व को इनिशियलाइज़ करके और तत्पश्चात ग्रेडिएंट-आधारित अनुकूलन के माध्यम से इसे परिष्कृत करके बड़े भाषा मॉडलों में फ्यू-शॉट अनुकूलन को बढ़ाता है, जिससे यह मानक इन-कॉन्टेक्स्ट और प्रॉम्प्ट-आधारित दृष्टिकोणों से बेहतर प्रदर्शन करता है और उच्च दक्षता के साथ टेस्ट-टाइम ट्रेनिंग के साथ प्रतिस्पर्धी सटीकता प्राप्त करता है।
यह शोध पत्र एक उन्नत न्यूरल लॉजिक नेटवर्क फ्रेमवर्क प्रस्तुत करता है जो विशेष रूप से चिकित्सा और औद्योगिक अनुप्रयोगों में टैबुलर वर्गीकरण के लिए व्याख्या योग्य तार्किक नियमों की खोज करने हेतु स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त करने के लिए NOT ऑपरेशन्स, बायस और एक नवीन फैक्टराइज्ड IF-THEN नियम संरचना को समाहित करता है।
यह शोध पत्र DynamixSFT का प्रस्ताव करता है, जो एक गतिशील और स्वचालित विधि है जो समस्या को प्रायर-स्केल्ड बोल्ट्ज़मैन एक्सप्लोरेशन (Prior-scaled Boltzmann Exploration) और 1-स्टेप लुक-अहेड रिवॉर्ड (1-Step Look-ahead Reward) के साथ एक मल्टी-आर्म्ड बैंडिट (multi-armed bandit) के रूप में फ्रेम करके इंस्ट्रक्शन-ट्यूनिंग डेटासेट मिश्रणों को अनुकूलित करती है, जो न्यूनतम कम्प्यूटेशनल ओवरहेड के साथ कई बेंचमार्क पर मॉडल के प्रदर्शन को प्रभावी रूप से बढ़ाती है।
EyeMulator एक मॉडल-अज्ञेय (model-agnostic) विधि है जो मानव आई-ट्रैकिंग डेटा को सिमेंटिक सैलिएंस (semantic salience) और गेज़-ट्रांज़िशन प्रायर्स (gaze-transition priors) में आसवित (distill) करके कोड लैंग्वेज मॉडल्स को बेहतर बनाती है ताकि टोकन-स्तरीय प्रशिक्षण लॉस को पुन: भारित (reweight) किया जा सके, जिसके परिणामस्वरूप विभिन्न मॉडल्स और कार्यों में निरंतर प्रदर्शन सुधार प्राप्त होता है।