23200 पेपर
यह शोध पत्र MResOpt को प्रस्तुत करता है, जो एक स्टेज्ड रेसिडुअल न्यूरल नेटवर्क आर्किटेक्चर है जो मौजूदा बेसलाइनों की तुलना में बाधात्मक अनुकूलन समस्याओं (constrained optimization problems) में उच्च-प्राथमिकता वाली बाधा संतुष्टि और कम्प्यूटेशनल दक्षता प्राप्त करने के लिए प्राथमिकता-आधारित बाधा अपघटन (priority-based constraint decomposition) और डोमेन-सूचित क्रमबद्धता (domain-informed ordering) का लाभ उठाता है।
यह शोध पत्र GILC प्रस्तुत करता है, जो एक प्लग-एंड-प्ले फ्रेमवर्क है जो बिना किसी अतिरिक्त प्रशिक्षण या पुनरप्रशिक्षण की आवश्यकता के, मार्गदर्शन संकेतों (guidance signals) को कुशलतापूर्वक अनुमानित करने के लिए जैकोबियन-मुक्त लॉजिट सुधार तंत्र (Jacobian-free logit correction mechanism) का उपयोग करके डिस्क्रीट डिफ्यूजन मॉडल में नियंत्रणीय पीढ़ी (controllable generation) को सक्षम बनाता है।
यह शोध पत्र यह प्रदर्शित करता है कि मेमरी-ऑगमेंटेड न्यूरल नेटवर्क, गल्फ ऑफ मैक्सिको और न्यूयॉर्क बाइट से प्राप्त AIS डेटा का उपयोग करके जहाज के प्रक्षेप पथों (vessel trajectories) की भविष्यवाणी करने में मानक डीप लर्निंग बेसलाइन की तुलना में काफी बेहतर प्रदर्शन करते हैं, जो समुद्री सुरक्षा और दक्षता के लिए बाहरी मेमोरी तंत्र के महत्व को रेखांकित करता है।
यह शोध पत्र प्रदर्शित करता है कि बड़े भाषा मॉडल (लार्ज लैंग्वेज मॉडल्स) को जनरेशन के दौरान इस तरह निर्देशित किया जा सकता है कि उनके आउटपुट में एक पता लगाने योग्य सक्रियण-आधारित फिंगरप्रिंट (एक्टिवेशन-बेस्ड फिंगरप्रिंट) समाहित हो सके, जिससे टेक्स्ट की गुणवत्ता में गिरावट लाए बिना एआई-जनरेटेड टेक्स्ट को विशिष्ट मॉडलों के साथ अत्यधिक सटीक रूप से संबद्ध किया जा सकता है।
यह शोध पत्र अल्टरनेटिंग टोकन-वेटेड अनलर्निंग (ATWU) प्रस्तुत करता है, जो एक हल्का ढांचा है जो भूलने (forget) और बनाए रखने (retain) के उद्देश्यों के बीच संघर्ष के माध्यम से टोकन-स्तरीय महत्व को संयुक्त रूप से सीखकर बड़े भाषा मॉडलों में मशीन अनलर्निंग में सुधार करता है, जिससे बिना किसी बाहरी पर्यवेक्षण या सहायक मॉडलों की आवश्यकता के अत्याधुनिक प्रदर्शन प्राप्त होता है।
यह शोध पत्र DragOn को प्रस्तुत करता है, जो एक व्यापक बेंचमार्क और डेटासेट है जिसमें चार डोमेन में 286K स्क्रीनशॉट और 3.5M कार्य शामिल हैं, जो ड्रैग-आधारित GUI इंटरैक्शन डेटा की कमी को दूर करने के लिए है, और यह प्रदर्शित करता है कि इस डेटासेट पर फाइन-ट्यूनिंग करने से जटिल कंप्यूटर-उपयोग कार्यों पर अत्याधुनिक विजन-लैंग्वेज मॉडलों का प्रदर्शन काफी बढ़ जाता है।
यह शोध पत्र PAMF प्रस्तुत करता है, जो एक नवीन मल्टीमॉडल टाइम-सीरीज फ्रेमवर्क है जो प्रायर-अवेयर फ्लो मैचिंग के माध्यम से लुप्त डेटा का स्पष्ट रूप से अनुमान लगाकर और डाउनस्ट्रीम कार्यों के साथ वेट शेयरिंग के माध्यम से इम्प्यूटेशन को युग्मित करके विथइन-मोडैलिटी और मोडैलिटी-लेवल मिसिंगनेस दोनों को संबोधित करता है ताकि हेल्थकेयर बेंचमार्क पर बेहतर प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र सबस्पेस-अवेयर स्पार्स ऑटोएनकोडर्स (SASA) को प्रस्तुत करता है, जो एक नवीन ढांचा है जो मानक स्पार्स ऑटोएनकोडर्स में निहित फीचर स्प्लिटिंग (feature splitting) की समस्या को दूर करने के लिए सिंगल-वेक्टर डिकोडर्स के स्थान पर सीखे गए सबस्पेस (subspaces) का उपयोग करता है, जिससे मॉडल फीचर्स की बहु-आयामी ज्यामिति (multi-dimensional geometry) के साथ संरेखित होकर बेहतर व्याख्यात्मकता और प्रशिक्षण दक्षता प्राप्त होती है।
F3-Tokenizer समझ और सृजन दोनों के लिए एक एकीकृत ऑडियो टोकेनाइज़र बनाने की चुनौती को स्केल-नियंत्रित पुनर्निर्माण के लिए एक शोर-नियमित बाधा (noise-regularized bottleneck) के माध्यम से निरंतर ऑटोएनकोडर लेटेंट्स को अनुकूलित करके और उच्च-आयामी अर्थपूर्ण विशेषताओं को निकालने के लिए RQ-MTP और फ्रोजन-LLM पर्यवेक्षण के साथ प्रशिक्षित एक प्रतिनिधित्व एनकोडर के माध्यम से संबोधित करता है।
यह शोध पत्र डिजिटल ट्विन्स में डेटा की कमी को दूर करने के लिए इमेज-आधारित बुनियादी ढांचे के दोष का पता लगाने को इमेज डिफरेंस क्लासिफिकेशन (IDC) के रूप में पुनर्गठित करने का प्रस्ताव देता है, जो ट्रैफिक साइन केस स्टडी के माध्यम से यह प्रदर्शित करता है कि संदर्भ छवियों का लाभ उठाने वाले इंस्ट्रक्शन-आधारित क्लासिफायर पारंपरिक एनकोडर-आधारित दृष्टिकोणों से बेहतर प्रदर्शन करते हैं।