10686 पेपर
CoFINN एक नवीन फिजिक्स-इन्फॉर्म्ड डीप लर्निंग फ्रेमवर्क है जो सीएनएन (CNN) प्रशिक्षण में फाइनाइट-वॉल्यूम कंजर्वेशन लॉज़ को सीधे समाहित करके संपीड़ित प्रवाह (compressible flow) भविष्यवाणियों की सटीकता और भौतिक निरंतरता को बढ़ाता है, जिससे डेटा-दुर्लभ परिदृश्यों में भी ड्रैग भविष्यवाणी त्रुटियों को काफी कम किया जा सकता है।
यह अध्ययन प्रदर्शित करता है कि उलोस (Ulos) रूपांकनों के एक क्यूरेटेड डेटासेट पर लेटेंट डिफ्यूजन मॉडल्स, विशेष रूप से प्रोटोजेन (Protogen) v3.4 को फाइन-ट्यून करना प्रभावी रूप से नवीन, सांस्कृतिक रूप से सुसंगत टेक्सटाइल डिज़ाइन उत्पन्न करता है, जो पारंपरिक अखंडता के साथ नवाचार को संतुलित करने के लिए इष्टतम गाइडेंस स्केल्स की पहचान करते हुए उत्कृष्ट दृश्य निष्ठा और विविधता प्राप्त करता है।
यह शोध पत्र एक गैर-संपर्क, वास्तविक समय हृदय गति मापन प्रणाली प्रस्तुत करता है जो शारीरिक संकेतों को निकालने के लिए कमोडिटी कैमरों और डीप लर्निंग-आधारित इमेज प्रोसेसिंग का उपयोग करता है, जो भविष्य में एक व्यक्तिगत एआई स्वास्थ्य निगरानी एजेंट के रूप में तैनाती के लिए एप्पल वॉच जैसे पहनने योग्य उपकरणों के तुलनीय सटीकता प्रदर्शित करता है।
यह शोध पत्र MiLSD प्रस्तुत करता है, जो एक माइक्रो लाइन-सेगमेंट डिटेक्टर है जिसे संसाधन-सीमित उपकरणों के लिए अनुकूलित किया गया है और जो एक सख्त सब-मेगाबाइट मेमोरी बजट के भीतर आउटपुट रिप्रजेंटेशन, क्वांटाइजेशन प्रभावों और पोस्ट-प्रोसेसिंग रणनीतियों का व्यवस्थित रूप से मूल्यांकन करके शंघाईटेक वायरफ्रेम डेटासेट पर सटीकता में महत्वपूर्ण सुधार प्राप्त करता है।
यह शोध पत्र मानव-लेबल वाले काउंटरफैक्चुअल (counterfactual) के नए डेटासेट बनाकर इमेज क्लासिफिकेशन में काउंटरफैक्चुअल और ग्रुप फेयरनेस (group fairness) के बीच के संबंध की जांच करता है, जो यह प्रकट करता है कि लेटेंट एट्रिब्यूट कोरिलेशन (latent attribute correlations) के कारण काउंटरफैक्चुअल फेयरनेस स्वाभाविक रूप से ग्रुप फेयरनेस की गारंटी नहीं देती है, और इस समस्या को कम करने के लिए एक काउंटरफैक्चुअल नॉलेज डिस्टिलेशन (Counterfactual Knowledge Distillation) पद्धति का प्रस्ताव करता है।
यह शोध पत्र एक हल्का, CPU-आधारित इमेज-लेवल फोर्जरी स्क्रीनिंग पद्धति प्रस्तावित करता है जो संपीड़न आर्टिफैक्ट्स (compression artifacts) का पता लगाने के लिए मल्टी-स्केल एरर लेवल एनालिसिस और क्रॉस-क्वालिटी फीचर्स का उपयोग करता है, जिससे फॉर्मेट-नियंत्रित डेटासेट्स पर मजबूत प्रदर्शन (AUC 0.990) प्राप्त होता है और साथ ही फाइल-फॉर्मेट बायस से बचते हुए सब-सेकंड इन्फरेंस सुनिश्चित होता है।
यह शोध पत्र FedEAS का प्रस्ताव करता है, जो लेबल-झुकाव वाले फेडरेटेड लर्निंग के लिए एक बजट-जागरूक सिंथेटिक ऑग्मेंटेशन पॉलिसी है, जो पूर्ण क्लास बैलेंसिंग के अधिकांश सटीकता लाभों को प्राप्त करते हुए कम्प्यूटेशनल लागत को महत्वपूर्ण रूप से कम करने के लिए स्थानीय लेबल वितरण के आधार पर प्रति-क्लाइंट जनरेशन बजट को गतिशील रूप से आवंटित करता है।
यह शोध पत्र ProMoE-FL का प्रस्ताव करता है, जो एक प्रोटोटाइप-कंडीशन्ड मिक्स्चर ऑफ एक्सपर्ट्स फ्रेमवर्क है जो फेडरेटेड लर्निंग में गायब मल्टीमॉडल फीचर्स को गतिशील रूप से संश्लेषित करने के लिए एक ग्लोबल क्लाइंट-अवेयर प्रोटोटाइप बैंक का लाभ उठाता है, जो होमोजेनियस और हेट्रोजेनियस दोनों सेटिंग्स में चार चेस्ट एक्स-रे डेटासेट्स पर अत्याधुनिक विधियों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।
यह शोध पत्र CoPAIR और TRACE को प्रस्तुत करता है, जो दो फॉरवर्ड-ओनली (forward-only) विधियाँ हैं जो कॉम्पैक्ट टॉप-के (top-k) विजुअल एविडेंस मास्क के इनिशियलाइजेशन और डायरेक्ट सर्च को अनुकूलित करती हैं, जिससे इमेज क्लासिफिकेशन और मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स में स्टेट-ऑफ-द-आर्ट फेथफुल एट्रिब्यूशन परफॉरमेंस प्राप्त होता है और साथ ही एक्शनएबल सिंगल-पॉइंट रिपेयर्स को सक्षम बनाया जाता है।
यह शोध पत्र ग्राफ कनवल्शनल न्यूरल नेटवर्क के लिए एक हार्डवेयर-जागरूक प्रूनिंग और क्वांटाइजेशन रणनीति का प्रस्ताव करता है जो एम्बेडेड FPGA प्लेटफॉर्म के लिए मॉडल आर्किटेक्चर को अनुकूलित करता है, जिससे विभिन्न इवेंट-आधारित विजन डेटासेट में न्यूनतम सटीकता हानि के साथ महत्वपूर्ण BRAM मेमोरी कटौती प्राप्त होती है।