23200 पेपर
यह शोध पत्र YAQA को प्रस्तुत करता है, जो एक अनुकूली राउंडिंग क्वांटाइजेशन एल्गोरिदम है जो हेसियन सन्निकटन (Hessian approximations) पर आधारित सैद्धांतिक एंड-टू-एंड त्रुटि सीमाओं का लाभ उठाता है ताकि बिना किसी इन्फरेंस ओवरहेड के GPTQ और क्वांटाइजेशन-अवेयर ट्रेनिंग जैसे मौजूदा तरीकों से काफी बेहतर प्रदर्शन किया जा सके।
यह शोध पत्र यह प्रदर्शित करता है कि जहाँ एकीकरण वाले विजन-लैंग्वेज मॉडल फॉरवर्ड डायनेमिक्स प्रेडिक्शन (forward dynamics prediction) में संघर्ष करते हैं, वहीं वे सिंथेटिक प्रशिक्षण डेटा उत्पन्न करने और इन्फरेंस-टाइम सर्च को निर्देशित करने के लिए काफी आसान 'इनवर्स डायनेमिक्स प्रेडिक्शन' (inverse dynamics prediction) कार्य का लाभ उठाकर एक्शन-केंद्रित इमेज एडिटिंग में अत्याधुनिक प्रदर्शन प्राप्त करने के लिए प्रभावी रूप से बूटस्ट्रैप किए जा सकते हैं।
यह शोध पत्र VGGSounder को प्रस्तुत करता है, जो एक व्यापक रूप से पुन: एनोटेट किया गया मल्टी-लेबल टेस्ट सेट है जिसे मूल VGGSound डेटासेट की लेबलिंग और संरेखण सीमाओं को दूर करने के लिए डिज़ाइन किया गया है, जिससे विस्तृत मोडैलिटी विश्लेषण और एक नए कन्फ्यूजन मेट्रिक के माध्यम से ऑडियो-विजुअल फाउंडेशन मॉडल्स के अधिक विश्वसनीय और सटीक मूल्यांकन को सक्षम बनाया जा सके।
यह शोधपत्र कंस्ट्रेंड एडेप्टिव रिजेक्शन सैंपलिंग (CARS) को प्रस्तुत करता है, जो एक विधि है जो एक ट्राइ (trie) के माध्यम से अमान्य निरंतरताओं को अनुकूल रूप से छाँटकर (pruning) सख्त बाधाओं के तहत लैंग्वेज मॉडल जनरेशन की सैंपल दक्षता को बढ़ाती है, जिससे मौजूदा ग्रीडी या मानक रिजेक्शन सैंपलिंग दृष्टिकोणों की तुलना में मूल वितरण को सुरक्षित रखते हुए स्वीकृति दरों और विविधता में सुधार होता है।
प्लेटोनिक ट्रांसफॉर्मर (Platonic Transformer) एक नवीन आर्किटेक्चर पेश करता है जो प्लेटोनिक सॉलिड संदर्भ ढांचों (Platonic solid reference frames) के सापेक्ष अटेंशन को परिभाषित करके निरंतर अनुवाद (continuous translations) और प्लेटोनिक समरूपताओं (Platonic symmetries) के संयुक्त इक्विवेरिएंस (equivariance) को प्राप्त करता है, जिससे यह मानक ट्रांसफॉर्मर की सटीक कम्प्यूटेशनल दक्षता के साथ विविध वैज्ञानिक और विजन बेंचमार्क में प्रतिस्पर्धी प्रदर्शन प्रदान करता है।
यह शोध पत्र एक्टर-क्रिटिक सुदृढीकरण शिक्षण (reinforcement learning) एजेंटों की नमूना दक्षता (sample efficiency) और अंतिम प्रदर्शन को बढ़ाने के लिए सिम्पलीशियल एम्बेडिंग्स (simplicial embeddings)—जो एम्बेडिंग्स को सिम्पलीशियल संरचनाओं तक सीमित करने वाली हल्की प्रतिनिधित्व परतें हैं—का उपयोग करने का प्रस्ताव करता है, जो रनटाइम गति से समझौता किए बिना क्रिटिक बूटस्ट्रैपिंग को स्थिर करता है और पॉलिसी ग्रेडिएंट्स को मजबूत करता है।
यह शोध पत्र OckBench प्रस्तुत करता है, जो तर्क (reasoning) और कोडिंग कार्यों में लार्ज लैंग्वेज मॉडल्स की सटीकता और टोकन दक्षता का संयुक्त रूप से मूल्यांकन करने वाला पहला बेंचमार्क है, जो वर्तमान मॉडल्स में महत्वपूर्ण अक्षमताओं को उजागर करता है और टोकन उपयोग को अनुकूलित करने की ओर एक प्रतिमान परिवर्तन (paradigm shift) का समर्थन करता है।
YOTO एक एंड-टू-एंड, डिफरेंशिएबल फ्रेमवर्क है जो एकल प्रशिक्षण पास (single training pass) में डिस्क्रीट जीन सबसेट चयन और भविष्यवाणी को संयुक्त रूप से निष्पादित करता है, जो सिंगल-सेल ट्रांसक्रिप्टोमिक्स में बेहतर बायोमार्कर खोज के लिए फीचर चयन और टास्क परफॉरमेंस के बीच घनिष्ठ जुड़ाव को सक्षम करके मौजूदा मल्टी-स्टेज दृष्टिकोणों से बेहतर प्रदर्शन करता है।
यह शोध पत्र मिड-थिंक (Mid-Think) को पेश करता है, जो एक प्रशिक्षण-मुक्त प्रॉम्पटिंग विधि है जो मध्यवर्ती-बजट तर्क (intermediate-budget reasoning) को सक्षम करने के लिए विशिष्ट टोकन-स्तरीय ट्रिगर्स (जैसे कि "Okay" और न्यूलाइन पैटर्न) का लाभ उठाती है, जो न केवल सटीकता-लंबाई ट्रेड-ऑफ में मौजूदा बेसलाइन से बेहतर प्रदर्शन करती है बल्कि तर्क संबंधी कार्यों के लिए सुदृढीकरण शिक्षण (reinforcement learning) को महत्वपूर्ण रूप से तेज और बेहतर भी बनाती है।