11020 पेपर
यह शोध पत्र DR-MV3D प्रस्तुत करता है, जो एक मैप-ग्राउंडेड लर्निंग फ्रेमवर्क है जो मल्टी-व्यू 3D विजुअल क्वेश्चन अनस्विंग (VQA) को ग्लोबल मैप कंस्ट्रक्शन और व्यू-ट्रैजेक्टरी प्लानिंग में विभाजित करके उन्नत बनाता है, जिसे फ्रोजन 3D विजन फाउंडेशन मॉडल्स से प्राप्त सघन, सत्यापन योग्य रिवॉर्ड्स का उपयोग करके ट्रैजेक्टरी-लेवल पॉलिसी ऑप्टिमाइज़ेशन के माध्यम से अनुकूलित किया जाता है।
यह शोध पत्र "Kamera" का परिचय देता है, जो एक प्रशिक्षण-मुक्त (training-free) विधि है जो सटीक RoPE पुन: घूर्णन (re-rotation) के साथ एक छोटे निम्न-रैंक वाले अनुकूलन पैच (low-rank conditioning patch) को लागू करके मल्टीमॉडल KV कैश के स्थिति-अपरिवर्तनीय पुन: उपयोग को सक्षम बनाता है, जिससे अनावश्यक पुन: एन्कोडिंग समाप्त हो जाती है और मल्टी-हॉप रीजनिंग के लिए आवश्यक क्रॉस-चंक निर्भरता पूरी तरह से बहाल हो जाती है।
यह शोध पत्र एक एकीकृत, गतिविधि-जागरूक मल्टीमॉडल फ्रेमवर्क प्रस्तावित करता है जो रोबोट-सहायता प्राप्त सर्जरी में वास्तविक समय में त्रुटि का पता लगाने में महत्वपूर्ण सुधार करने के लिए वीडियो, किनेमैटिक्स और वर्णनात्मक टेक्स्टुअल प्रॉम्प्ट्स को एकीकृत करता है, जिससे अत्याधुनिक बेसलाइनों की तुलना में 16.6% तक F1 स्कोर में सुधार प्राप्त होता है।
यह शोध पत्र न्यूरल क्लासिफिकेशन ट्रीज़ (NCT) का प्रस्ताव करता है, जो एक व्याख्यात्मक ढांचा है जो भविष्यवाणियों की सटीकता के आधार पर नमूनों को "आसान" या "कठिन" नोड्स में गतिशील रूप से रूट करके, लेटेंट सबग्रुप संरचनाओं को पुनरावृत्ति से अलग करने के माध्यम से बिना सबग्रुप पर्यवेक्षण के सुदृढ़ वर्गीकरण प्राप्त करता है।
यह शोध पत्र 'सेल्फ-फिल्टरिंग' नामक एक नवीन बूटस्ट्रैप्ड पद्धति प्रस्तावित करता है, जो एक विकसित होते डेटासेट पर एक CLIP मॉडल को पुनरावृत्ति से प्रशिक्षित करती है जो अत्यधिक संभावित स्वच्छ नमूनों और विविध डेटा के बीच संतुलन बनाता है, जिससे बिना किसी अतिरिक्त डेटा या पूर्व-प्रशिक्षित मॉडलों के डाउनस्ट्रीम विजन-लैंग्वेज प्रदर्शन में सुधार होता है।
यह शोध पत्र "Hedgementation" प्रस्तुत करता है, जो एक नया रिमोट सेंसिंग बेंचमार्क है जो सामंजस्यपूर्ण डेटा स्रोतों को संयोजित करके और स्थानिक दूरियों एवं जलवायु क्षेत्रों में मॉडल के सामान्यीकरण का परीक्षण करके, 10 वर्ग मीटर के रिज़ॉल्यूशन पर पूरे फ्रांस में हेजरोज़ (hedgerows) के मानचित्रण के लिए मशीन लर्निंग मॉडल का मूल्यांकन करता है।
यह शोध पत्र एक हल्के, पूर्णतः फीड-फॉरवर्ड न्यूरल फ्रेमवर्क का प्रस्ताव करता है जो समुद्री पारिस्थितिकी और चिकित्सा निदान जैसे विविध अनुप्रयोगों में अत्याधुनिक विधियों से बेहतर प्रदर्शन करते हुए, विरल, शोरयुक्त मल्टी-व्यू छवियों से स्केल-सामान्यीकृत आयतन और सतह क्षेत्र का तेजी से और सटीक अनुमान लगाने के लिए 3D पॉइंट क्लाउड्स को व्यू-अलाइन्ड 2D फीचर्स के साथ फ्यूज करता है।
यह शोध पत्र AIR प्रस्तुत करता है, जो एक तीन-घटक समाधान के माध्यम से मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स की जटिल संख्यात्मक गणना के लिए कोड के साथ अनुकूली इंटरलीव्ड रीजनिंग (adaptive interleaved reasoning) करने की क्षमता को बढ़ाता है, जिसमें कोल्ड-स्टार्ट डेटा निर्माण, डेटासेट क्यूरेशन और ग्रुप-कंस्ट्रेंड रीइन्फोर्समेंट लर्निंग द्वारा निर्देशित एक अनुकूली टूल-इनवोकेशन रणनीति शामिल है, जिसके परिणामस्वरूप मूल्यांकन बेंचमार्क पर महत्वपूर्ण प्रदर्शन सुधार प्राप्त होते हैं।
यह शोध पत्र स्पार्स कॉन्टेक्स्ट (Sparse Context) को प्रस्तुत करता है, जो एक ऐसी विधि है जो संदर्भ-आधारित डिफ्यूजन मॉडल्स को तेजी से चलाने के लिए उन्हें रैंडम टोकन ड्रॉपिंग के प्रति सुदृढ़ बनाने हेतु फाइन-ट्यून करती है और फिर विजुअल क्वालिटी से समझौता किए बिना कम्प्यूटेशनल लागत को 4 गुना तक कम करने के लिए इन्फरेंस के दौरान टास्क-अवेयर टोकन सिलेक्शन लागू करती है।
यह शोध पत्र एक एकीकृत ढांचे को प्रस्तुत करता है जो क्षतिग्रस्त भूवैज्ञानिक बनावट (टेक्सचर) वाली छवियों के पुनर्निर्माण और विश्लेषण के लिए GAN-आधारित इमेज इनपेंटिंग को ट्रांसफार्मर और CNN क्लासिफायर के साथ जोड़ता है, जो उच्च-निष्ठा वाले दृश्य पुनर्निर्माण और डाउनस्ट्रीम वर्गीकरण सटीकता के बीच एक महत्वपूर्ण अंतर को प्रकट करता है, जो इस प्रणाली को एक पूर्णतः स्वायत्त क्लासिफायर के बजाय एक निर्णय-सहायता उपकरण के रूप में स्थापित करता है।