cs.AI

IGraSS: Learning to Identify Infrastructure Networks from Satellite Imagery by Iterative Graph-constrained Semantic Segmentation

यह शोध पत्र IGraSS प्रस्तुत करता है, जो एक पुनरावृत्ति ढांचा (iterative framework) है जो उपग्रह इमेजरी से नहरों और सड़कों जैसे बुनियादी ढांचे के नेटवर्क के मानचित्रण की सटीकता को महत्वपूर्ण रूप से सुधारने के लिए मल्टी-मोडल सिमेंटिक सेगमेंटेशन को ग्राफ-प्रतिबंधित ग्राउंड-ट्रुथ रिफाइनमेंट के साथ जोड़ता है, जो कनेक्टिविटी और पहुंच योग्यता जैसी टोपोलॉजिकल विशेषताओं का लाभ उठाता है।

Value-Free Policy Optimization via Reward Partitioning

यह शोध पत्र रिवॉर्ड पार्टीशन ऑप्टिमाइज़ेशन (RPO) को प्रस्तुत करता है, जो एक सरल और स्केलेबल सिंगल-ट्रैजेक्टरी प्रेफरेंस लर्निंग विधि है जो प्रॉम्प्ट-लेवल डिस्ट्रीब्यूशन के माध्यम से रिवॉर्ड्स को नॉर्मलाइज़ करके वैल्यू फंक्शन एस्टीमेशन की आवश्यकता को समाप्त करती है, जिससे यह DRO और KTO जैसे मौजूदा बेसलाइन्स की तुलना में बेहतर एलाइनमेंट, डाइवर्सिटी और स्टेबिलिटी प्राप्त करती है।

GFlowGR: Fine-tuning Generative Recommendation Frameworks with Generative Flow Networks

यह शोध पत्र GFlowGR को प्रस्तुत करता है, जो जेनरेटिव रिकमेंडेशन सिस्टम के लिए एक नवीन फाइन-ट्यूनिंग फ्रेमवर्क है, जो एक एडेप्टिव ट्रैजेक्टरी सैंपलर और रिवॉर्ड मॉडल में कोलैबोरेटिव नॉलेज को एकीकृत करके एक्सपोज़र बायस को कम करने के लिए जेनरेटिव फ्लो नेटवर्क्स का लाभ उठाता है, जिससे मौजूदा सुपरवाइज्ड और प्रेफरेंस-बेस्ड तरीकों की तुलना में प्रदर्शन में सुधार होता है।

On the Theoretical Limitations of Embedding-based Link Prediction

यह शोध पत्र प्रदर्शित करता है कि नॉलेज ग्राफ एम्बेडिंग मॉडल्स में लीनियर आउटपुट लेयर्स रैंक बॉटलनैक्स (rank bottlenecks) उत्पन्न करती हैं जो ग्राफ के आकार और कनेक्टिविटी बढ़ने के साथ अभिव्यंजना (expressivity) को सीमित करती हैं, और एक पैरामीटर-कुशल नॉन-लीनियर मिक्सचर-आधारित आउटपुट लेयर का प्रस्ताव करता है जो बड़े, घने डेटासेट्स पर प्रदर्शन में सुधार करने के लिए सैद्धांतिक और अनुभवजन्य रूप से इन सीमाओं को दूर करता है।

Truth, Trust, and Trouble: Medical AI on the Edge

यह शोधपत्र ईमानदारी, सहायकता और हानिरहितता पर ओपन-सोर्स मेडिकल LLMs का मूल्यांकन करने वाले एक कठोर बेंचमार्किंग ढांचे को प्रस्तुत करता है, जो यह प्रकट करता है कि हालांकि डोमेन-विशिष्ट ट्यूनिंग और फ्यू-शॉट प्रॉम्प्टिंग प्रदर्शन को बढ़ाते हैं, फिर भी AlpaCare-13B और BioMistral-7B-DARE जैसे मॉडलों में तथ्यात्मक विश्वसनीयता और सुरक्षा के बीच महत्वपूर्ण समझौते बने हुए हैं।

Model Parallelism With Subnetwork Data Parallelism

यह शोध पत्र सबनेटवर्क डेटा पैरेललिज्म (SDP) को प्रस्तुत करता है, जो एक वितरित प्रशिक्षण ढांचा है जो मॉडलों को संरचित सबनेटवर्कों में विभाजित करता है जिन्हें एक्टिवेशन्स (activations) को साझा किए बिना वर्कर्स के बीच प्रशिक्षित किया जाता है, जिससे विभिन्न आर्किटेक्चर और स्केल्स पर प्रदर्शन को बनाए रखते हुए या उसमें सुधार करते हुए महत्वपूर्ण मेमोरी कमी (28%-60%) प्राप्त होती है।

Toward accurate RUL and SoH estimation using reinforced graph-based physics-informed neural networks enhanced with dynamic weights

यह शोध पत्र RGPD का प्रस्ताव करता है, जो एक सुदृढ़ ग्राफ-आधारित भौतिकी-सूचित तंत्रिका नेटवर्क ढांचा है जो विविध औद्योगिक क्षरण प्रणालियों में शेष उपयोगी जीवन (Remaining Useful Life) और स्वास्थ्य की स्थिति (State of Health) का अनुमान लगाने में श्रेष्ठ सटीकता और सामान्यीकरण प्राप्त करने के लिए गतिशील भारण (dynamic weighting) और सॉफ्ट एक्टर-क्रिटिक सुदृढीकरण शिक्षण का उपयोग करता है।

Beyond Model Base Retrieval: Weaving Knowledge to Master Fine-grained Neural Network Design

यह शोध पत्र M-DESIGN को प्रस्तुत करता है, जो एक रिट्रीवल-ऑगमेंटेड फ्रेमवर्क है जो एक बड़े नॉलेज बेस से ऐतिहासिक एडिट-इफेक्ट साक्ष्यों को गतिशील रूप से बुनकर कुशलतापूर्वक निकट-इष्टतम सूक्ष्म-स्तरीय न्यूरल नेटवर्क संशोधनों की खोज करता है, जो खोज दक्षता और प्रदर्शन के बीच संतुलन बनाने में मौजूदा विधियों से बेहतर प्रदर्शन करता है।

A Classification-Aware Super-Resolution Framework for Ship Targets in SAR Imagery

Graph is a Natural Regularization: Revisiting Vector Quantization for Graph Representation Learning

यह शोध पत्र डेटा गुणों और नियत प्रशिक्षण गतिकी (deterministic training dynamics) के कारण ग्राफ वेक्टर क्वांटाइजेशन में कोडबुक कोलैप्स को एक महत्वपूर्ण बाधा के रूप में पहचानता है, और RGVQ प्रस्तावित करता है, जो एक नवीन ढांचा है जो कोडबुक उपयोगिता को बढ़ाने और डाउनस्ट्रीम प्रदर्शन में सुधार करने के लिए ग्राफ टोपोलॉजी और सॉफ्ट असाइनमेंट का स्पष्ट नियमितीकरण (explicit regularization) के रूप में लाभ उठाता है।