21138 पेपर
AutoResearch एक निष्पादन-आधारित (execution-grounded) मल्टी-एजेंट फ्रेमवर्क है जो सैंडबॉक्स्ड कोड निष्पादन, पुनरावृत्ति सुधार (iterative repair), और कठोर उद्धरण एवं दावे के सत्यापन को एकीकृत करके जनरेट किए गए वैज्ञानिक आर्टिफैक्ट्स को फ़िल्टर करने और सुधारने के माध्यम से स्वचालित अनुसंधान वर्कफ़्लो की विश्वसनीयता को बढ़ाता है।
SWIFT एक शुद्ध कनवोल्यूशनल फ्रेमवर्क है जो अनुकूलन योग्य फीचर निष्कर्षण के लिए एक लर्नबल कैस्केडेड वेवलेट पाथ और स्थानिक-कालिक निर्भरताओं को मॉडल करने के लिए एक मल्टीवेरिएट इंटरेक्शन मॉड्यूल को पेश करके क्लाउड वर्कलोड पूर्वानुमान की सटीकता और दक्षता को बढ़ाता है, जो रैखिक जटिलता के साथ अत्याधुनिक प्रदर्शन प्राप्त करता है।
यह अध्ययन प्रकट करता है कि अमेरिकी हाइपरस्केल डेटा सेंटर सालाना लगभग 300 GL पानी का उपभोग करते हैं, जिसमें तीन-चौथाई हिस्सा ऑन-साइट कूलिंग के बजाय बिजली उत्पादन के कारण है, जो जल-तनावग्रस्त पश्चिम और जीवाश्म-प्रधान पूर्व में विशिष्ट भौगोलिक हॉटस्पॉट बनाता है जिनके लिए अलग-अलग स्थानीय और क्षेत्रीय प्रबंधन रणनीतियों की आवश्यकता है।
यह शोध पत्र वर्कलोड-अवेयर डिलोको (WA-DiLoCo) प्रस्तुत करता है, जो एक कैलिब्रेटेड शेड्यूलिंग फ्रेमवर्क है जो यह प्रदर्शित करता है कि कैसे बर्स्ट फोरकास्टिंग और कठोर मैच-रैंडम बेसलाइन को शामिल करने से मौजूदा फोरकास्ट-फ्री नीतियों की तुलना में साझा एआई इंफ्रास्ट्रक्चर में एसएलओ (SLO) उल्लंघनों को काफी कम किया जा सकता है।
यह शोध पत्र एडिटिव कॉज़ल कंस्ट्रक्शन (ACC) फ्रेमवर्क और इसके लर्नबल इंस्टेंशिएशन, ACC-CRL को प्रस्तावित करता है ताकि अनिश्चितता परिमाणीकरण (uncertainty quantification) के माध्यम से हस्तांतरणीय कॉज़ल एंकर्स और पुनर्गठित फ्यूजन पथ स्थापित करके मल्टी-सोर्स इमेज फ्यूजन में क्रॉस-सिस्टम विसंगति और एंटैंगलमेंट को संबोधित किया जा सके, जिससे मेडिकल इमेजिंग जैसे कार्यों में आउट-ऑफ-डिस्ट्रीब्यूशन सामान्यीकरण में महत्वपूर्ण सुधार हो सके।
यह सर्वेक्षण चार प्रमुख अक्षों के आधार पर LLM सर्विंग के लिए तीस से अधिक KV कैश प्रबंधन प्रणालियों को पांच वास्तुशिल्प प्रोटोटाइप (archetypes) में वर्गीकृत करता है, स्वामित्व को डिजाइन भिन्नता के प्राथमिक चालक के रूप में पहचानता है, और सात महत्वपूर्ण मापन अंतराल को रेखांकित करता है जो फॉल्ट टॉलरेंस, आइसोलेशन और उन्नत सर्विंग तकनीकों की प्रगति में बाधा डालते हैं।
यह शोध पत्र डीप लर्निंग लॉस फंक्शन सीक्वेंसों का विश्लेषण करके गलत तरीके से लेबल की गई मेडिकल छवियों की पहचान करने के लिए एक स्वचालित विधि का प्रस्ताव और सत्यापन करता है, जो यह प्रदर्शित करता है कि इन त्रुटियों को सुधारने से डायबिटिक रेटिनोपैथी स्क्रीनिंग में डेटासेट की गुणवत्ता और मॉडल के प्रदर्शन में महत्वपूर्ण सुधार होता है।
यह शोध पत्र यह प्रदर्शित करता है कि मौजूदा कंकरेंसी प्रिमिटिव्स (concurrency primitives) का लाभ उठाकर, जो ऑफलोड निष्पादन के दौरान अनुरोधों को निलंबित करने और उनके पूरा होने पर उन्हें पुनः आरंभ करने में सक्षम हैं, मौजूदा कोड में न्यूनतम परिवर्तन (22-138 पंक्तियाँ) करके ऑफ-द-शेल्फ सर्वरों पर फाइन-ग्रेन्ड कंप्यूटेशन ऑफलोडिंग प्राप्त की जा सकती है, जिससे जटिल रनटाइम पुनलेखन (runtime rewrites) की आवश्यकता के बिना 1.2-5.4 गुना प्रदर्शन रिकवर किया जा सकता है।
यह शोध पत्र प्रदर्शित करता है कि फेडरेटेड लर्निंग (Federated Learning) वितरित ड्रोन बेड़े को स्थानीय डेटा पर उच्च-प्रदर्शन वाले, गोपनीयता-संरक्षित ऑब्जेक्ट डिटेक्शन मॉडल को सहयोगात्मक रूप से प्रशिक्षित करने में सक्षम बनाता है, जो डेटा केंद्रीकरण की आवश्यकता के बिना, एकल-ड्रोन दृष्टिकोणों की तुलना में काफी बेहतर प्रदर्शन करते हुए केंद्रीकृत प्रशिक्षण के करीब प्रदर्शन प्राप्त करता है।
यह शोध पत्र एक जनरेटर-अज्ञेय पोस्ट-जनरेशन क्यूरेशन पद्धति प्रस्तुत करता है जो वास्तविक वर्गों को कैनोनिकल और गैर-अतिरेक उपसमूहों में विभाजित करके सिंथेटिक छवियों की उपयोगिता में सुधार करती है ताकि एक विविध, उच्च-निष्ठा वाले उपसमूह का चयन किया जा सके जो आधुनिक जनरेटर्स के संरचनात्मक पूर्वाग्रह का मुकाबला करता है, जिससे 40% तक कम नमूनों के साथ वास्तविक डेटा के तुलनीय प्रदर्शन प्राप्त होता है।