23087 पेपर
यह शोध पत्र "जेनरेशन नेटवर्क्स" का प्रस्ताव करता है, जो ग्राफिकल प्रोबेबिलिस्टिक मॉडल्स पर आधारित एक फ्रेमवर्क है, ताकि LLM-नेटिव सॉफ्टवेयर सिस्टम में निहित स्टोकेस्टिक और प्रॉम्प्ट-डिपेंडेंट व्यवहारों के लिए सिद्धांत-आधारित डिज़ाइन-स्तरीय तर्क और विश्लेषण पेश किया जा सके।
यह शोध पत्र ग्रीन SARC (Green SARC) को प्रस्तुत करता है, जो एक आर्किटेक्चरल गवर्नेंस फ्रेमवर्क है जो बजट उल्लंघन को रोकने और टोकन, वित्तीय एवं कार्बन की महत्वपूर्ण बचत प्राप्त करने के लिए प्रेडिक्टिव कॉस्ट और कार्बन कंट्रोल्स को सीधे एजेंटिक एआई लूप्स (agentic AI loops) में समाहित करता है, जो पोस्ट-एग्जीक्यूशन मॉनिटरिंग और सॉफ्ट पेनल्टी विधियों के विरुद्ध इसकी श्रेष्ठ विश्वसनीयता को दर्शाता है।
यह शोध पत्र टेम्पोरल डिफरेंस इन विजन (TDV) को प्रस्तुत करता है, जो एक स्व-पर्यवेक्षित शिक्षण प्रतिमान (self-supervised learning paradigm) है जो इस कारणत्मक धारणा (causal assumption) का लाभ उठाता है कि अतीत भविष्य का कारण बनता है ताकि ऑग्मेंटेशन या मास्किंग जैसे मजबूत इंडक्टिव बायस पर निर्भर किए बिना विज़ुअल रिप्रजेंटेशन सीखा जा सके, और डेंस स्पेशियल टास्क पर अत्याधुनिक प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र न्यूरल जनरेटिव सरोगेट मॉडल्स में संपीड़न-प्रेरित त्रुटियों (compression-induced errors) को मापने और उन्हें सहन करने की एक विधि प्रस्तावित करता है, जो यह प्रदर्शित करता है कि लॉस-पूर्ण संपीड़न (lossy compression) मॉडल की उच्च सटीकता बनाए रखते हुए स्टोरेज आवश्यकताओं को 39 गुना तक कम कर सकता है और प्रशिक्षण समय को 3 गुना तक घटा सकता है।
PreLort, सेगमेंट-वाइज एग्रीगेशन (segment-wise aggregation) और मल्टी-ट्रंकेशन ट्रेनिंग (multi-truncation training) के साथ एक प्रीफिक्स-नेस्टेड लोरा (prefix-nested LoRA) फॉर्मूलेशन पेश करके रैंक विषमता (rank heterogeneity) के तहत फेडरेटेड फाइन-ट्यूनिंग की चुनौतियों का समाधान करता है, जो यह सुनिश्चित करता है कि कम-रैंक वाले क्लाइंट्स उच्च-रैंक वाले क्लाइंट्स के समृद्ध प्रतिनिधित्व (richer representations) से लाभान्वित हों और मौजूदा तरीकों की तुलना में बेहतर सटीकता और दक्षता प्राप्त करें।
यह शोध पत्र BASE को प्रस्तुत करता है, जो एक बेस-एंड-एडिट पाइपलाइन है जो एक विशेष रीराइटर मॉडल (LEASCRIBE) का लाभ उठाकर एक एकल संभावित उत्तर को औपचारिक रूप देता है और इन-प्लेस एडिटिंग के माध्यम से शेष K-1 औपचारिक कथनों को कुशलतापूर्वक व्युत्पन्न करता है, जिससे लीन-आधारित गणितीय तर्क में उत्तर चयन सटीकता में सुधार करते हुए कम्प्यूटेशनल लागतों को काफी कम किया जाता है।
यह शोध पत्र मल्टी-एनकोडर-डिकोडर वेरिएशनल ऑटोएनकोडर (MED-VAE) को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो एक पूर्व-प्रशिक्षित कृत्रिम तंत्रिका नेटवर्क द्वारा प्रदान किए गए एक सामान्य स्कैफोल्ड (scaffold) के माध्यम से तंत्रिका निरूपणों को स्थापित करके, साझा उद्दीपनों की आवश्यकता के बिना, उत्कृष्ट क्रॉस-सब्जेक्ट न्यूरल अलाइनमेंट और सामान्यीकरण योग्य डिकोडिंग प्राप्त करता है।
यह शोध पत्र एक स्वायत्त एजेंटिक फ्रेमवर्क प्रस्तावित करता है जो इन-कॉन्टेक्स्ट लर्निंग और वास्तविक PyTorch आउटपुट से प्राप्त एक निष्पादन ओरेकल (execution oracle) का लाभ उठाकर, पुनरावृत्ति स्व-डीबगिंग के माध्यम से 91% संख्यात्मक समानता प्राप्त करते हुए, डीप लर्निंग मॉडल्स को PyTorch से JAX में अत्यधिक विश्वसनीय, स्वचालित माइग्रेशन सक्षम बनाता है।
यह शोध पत्र तर्क देता है कि एंटिटी-अवेयर रिट्रीवल सिस्टम को वैचारिक एंटिटी प्रासंगिकता (विषयगत जुड़ाव) पर निर्भर रहने के बजाय अवलोकनीय एंटिटी प्रासंगिकता (विभेदक शक्ति) की ओर स्थानांतरित होना चाहिए, जो यह प्रदर्शित करता है कि उत्तरार्द्ध प्रासंगिक और गैर-प्रासंगिक दस्तावेजों के बीच बेहतर अंतर करके दस्तावेज़ पुन: रैंकिंग प्रदर्शन में महत्वपूर्ण सुधार करता है।
यह शोध पत्र "ऑर्केस्ट्रेटेड रियलिटी" (Orchestrated Reality) का प्रस्ताव करता है, जो एक LLM-संचालित ढांचा है जो गेम वर्ल्ड्स को एक सिंगलटन ऑर्केस्ट्रेशन एजेंट के माध्यम से एक कैनोनिकल JSON स्टेट को मैनेज करने वाले पैरामीट्राइज्ड-एक्शन POMDPs के रूप में औपचारिक रूप देता है, जिससे मुक्त-रूप नैरेटिव और कठोर, निरंतर विश्व सिमुलेशन के बीच के अंतर को पाटा जा सके।