1374 पेपर
यह शोध पत्र GRASP को प्रस्तुत करता है, जो रिमोट कंट्रोल के लिए एक नया ढांचा है जो इंटरैक्टिव लर्निंग में संचार ओवरहेड को महत्वपूर्ण रूप से कम करता है, क्योंकि इसमें कंट्रोलर एक्टर्स को पूर्ण एक्शन विनिर्देशों या रिवॉर्ड्स को प्रसारित करने के बजाय, एक्टर्स को इम्पोर्टेंस सैंपलिंग के माध्यम से स्थानीय रूप से एक्शन सैंपल करने और सीखने के लिए न्यूनतम मार्गदर्शन भेजता है।
यह शोधपत्र प्रदर्शित करता है कि सुदृढीकरण अधिगम (reinforcement learning) सीमित FIR फ़िल्टर टैप्स, माध्य फोटॉन संख्या और परिमित DAC/ADC रिज़ॉल्यूशन जैसे वास्तविक हार्डवेयर प्रतिबंधों के तहत निरंतर-चर क्वांटम कुंजी वितरण (CV-QKD) प्रणालियों को अनुकूलित करके उनके प्रदर्शन को महत्वपूर्ण रूप से बढ़ा सकता है।
यह शोध पत्र परिमित क्रमविनिमेय वलय पर परिभाषित रैखिक और चक्रीय कोड की संरचना की जांच और लक्षण वर्णन करता है।
यह शोध पत्र फेडरेटेड लर्निंग के लिए एक पदानुक्रमित नमूनाकरण (hierarchical sampling) प्रक्रिया प्रस्तावित करता है जो वासरस्टीन दूरी (Wasserstein distance) और सुपरसैंपल निर्माण के माध्यम से सामान्यीकरण सीमाओं (generalization bounds) को व्युत्पन्न करता है, यह प्रदर्शित करते हुए कि ये सीमाएं कंडीशनल म्यूचुअल इंफॉर्मेशन पर मौजूदा परिणामों में कड़ाई से सुधार करती हैं और गौसियन मॉडलों में एसिम्प्टोटिक त्रुटि दरों को सटीक रूप से कैप्चर करती हैं।
यह शोधपत्र यह प्रदर्शित करता है कि एक विशिष्ट चार-प्रतीक (four-symbol) बाधित मार्कोव स्रोत (constrained Markov source) के लिए प्रतिवर्ती दलाई-लियोनार्डी कोड (Dalai-Leonardi code), परिमित-ब्लॉक औसत लंबाई (finite-block average length) के संबंध में पारेटो-इष्टतम (Pareto-optimal) नहीं है, क्योंकि एक नव-निर्मित मानक आक्षेपी कोड (canonical injective code) सभी ब्लॉक आकारों के लिए स्पष्ट रूप से कम अपेक्षित ब्लॉक लंबाई प्राप्त करता है।
यह शोध पत्र यह प्रदर्शित करता है कि प्रशिक्षण और अनुमान के दौरान डेटा संवर्धन (data augmentation) के लिए कोड ऑटोमोर्फिज्म (code automorphisms) का लाभ उठाना सिंड्रोम-आधारित न्यूरल डिकोडिंग मॉडलों के प्रदर्शन को महत्वपूर्ण रूप से बढ़ाता है, जिससे वे सीमित डेटासेट के बावजूद छोटे, उच्च-दर वाले कोडों के लिए अधिकतम संभावना डिकोडिंग (maximum likelihood decoding) के करीब पहुँच पाते हैं।
यह शोध पत्र सामान्य मीट्रिक लॉस के साथ रियलाइजेबल सेटिंग में स्ट्रॉन्ग यूनिवर्सल बेयस-कंसिस्टेंसी के लिए आवश्यक और पर्याप्त स्थितियाँ स्थापित करके लर्निंग थ्योरी की एक खुली समस्या को हल करता है, जो परिकल्पना वर्ग (हाइपोथीसिस क्लास) को एक अनंत गैर-बढ़ते -लिट्लस्टोन ट्री की अनुपस्थिति के माध्यम से अभिलक्षणित करता है।
यह शोध पत्र विसंगति का पता लगाने (anomaly detection) के लिए टेंसर नेटवर्क-आधारित एल्गोरिदम की एक श्रृंखला प्रस्तुत करता है जो सामान्य डेटा संरचनाओं को संरक्षित करने और विसंगतिपूर्ण डेटा को हटाने के लिए टेंसर ट्रेन डेटा संपीड़न (Tensor Train data compression) का लाभ उठाते हैं, जो अंक (digit), चेहरे (face) और साइबर सुरक्षा डेटासेट पर उनकी प्रभावशीलता को प्रदर्शित करते हैं।
यह योगदान फिक्स्ड ट्रेनिंग डेटासेट्स को क्यूरेट करने के लिए ह्यूरिस्टिक्स प्रस्तुत करता है ताकि सिंड्रोम-आधारित न्यूरल डिकोडर्स को कम प्रशिक्षण उदाहरणों के साथ बेहतर प्रदर्शन करने में सक्षम बनाया जा सके, जो डायनेमिक जनरेशन के बजाय डेटा की गुणवत्ता को प्राथमिकता देता है।
यह शोधपत्र ADaPT पेश करता है, जो एक एडेप्टिव-विंडो डिकोडिंग तकनीक है जो लॉजिकल एरर रेट से समझौता किए बिना फॉल्ट-टोलरेंट क्वांटम कंप्यूटेशन के लिए डिकोडिंग समय ओवरहेड और रिएक्शन टाइम को कम करने हेतु डिकोडर कॉन्फिडेंस का लाभ उठाकर विंडो साइज को गतिशील रूप से समायोजित करती है।