23511 पेपर
यह शोध पत्र DeepEDM को पेश करता है, जो एक नवीन ढांचा है जो टैकेंस के प्रमेय (Takens' theorem) और कर्नेल रिग्रेशन के माध्यम से नॉनलीनर डायनेमिकल सिस्टम मॉडलिंग को डीप न्यूरल नेटवर्क के साथ एकीकृत करता है ताकि मजबूत और सटीक टाइम सीरीज़ पूर्वानुमान प्राप्त किया जा सके जो अत्याधुनिक विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र PageLLM को प्रस्तुत करता है, जो एक मल्टी-ग्रेन्ड रिवॉर्ड फ्रेमवर्क है जो पूरे-पेज खोज और अनुशंसा के लिए मोटे तौर पर पेज-स्तरीय सुसंगतता (coherence) और सूक्ष्म स्तर पर आइटम-स्तरीय प्लेसमेंट को एक साथ अनुकूलित करने के लिए निहित उपयोगकर्ता फीडबैक का लाभ उठाता है, जिससे महंगी मानवीय एनोटेशन की आवश्यकता के बिना रैंकिंग मेट्रिक्स और उत्पादन व्यावसायिक KPIs में महत्वपूर्ण सुधार होता है।
FLoRIST एक फेडरेटेड फाइन-ट्यूनिंग फ्रेमवर्क है जो लार्ज लैंग्वेज मॉडल्स के लिए, स्टैक्ड लोकल एडेप्टर्स पर सिंगुलर वैल्यू डिकंपोजिशन और ट्यूनेबल थ्रेशोल्डिंग का उपयोग करके विषम क्लाइंट्स के बीच गणितीय रूप से सटीक एकत्रीकरण और इष्टतम प्रदर्शन प्राप्त करता है, जिससे उच्च-लागत वाले ग्लोबल मैट्रिक्स पुनर्निर्माण की आवश्यकता को समाप्त करते हुए उत्कृष्ट संचार दक्षता बनी रहती है।
यह शोध पत्र एक ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन (GRPO) फ्रेमवर्क का प्रस्ताव करता है जो प्रोलॉग (Prolog) और लिस्प (Lisp) जैसी कम प्रतिनिधित्व वाली प्रोग्रामिंग भाषाओं के लिए बड़े भाषा मॉडलों (LLMs) में कोड जनरेशन और रीजनिंग क्षमताओं को बढ़ाने के लिए निष्पादन-संचालित फीडबैक (execution-driven feedback) को एकीकृत करता है, जो प्रभावी रूप से दुर्लभ प्रशिक्षण डेटा की सीमाओं को दूर करता है।
यह शोध पत्र CopulaSMOTE प्रस्तुत करता है, जो एक नवीन ओवरसैंपलिंग विधि है जो सिंथेटिक नमूने उत्पन्न करने के लिए अल्पसंख्यक वर्गों की संयुक्त निर्भरता संरचना को मॉडल करने हेतु ट्रंकेटेड वाइन कोपुलस (truncated vine copulas) का उपयोग करती है, और मानक SMOTE वेरिएंट की तुलना में बड़े, असंतुलित डेटासेट पर मधुमेह भविष्यवाणी प्रदर्शन में सुधार करने में अपनी प्रभावशीलता प्रदर्शित करती है।
यह शोध पत्र "मेडिकल डेटा पेकिंग" (Medical Data Pecking) का प्रस्ताव करता है, जो एक स्केलेबल जनरेटिव कार्यप्रणाली है जो महामारी विज्ञान संबंधी साक्ष्यों के विरुद्ध इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (Electronic Health Records) के ऑडिटिंग के लिए स्वचालित रूप से सिमेंटिक यूनिट टेस्ट बनाने हेतु लार्ज लैंग्वेज मॉडल्स और रिट्रीवल-ऑगमेंटेड जनरेशन का लाभ उठाती है, जिससे वर्तमान सिंटैक्स-केंद्रित या मैनुअल गुणवत्ता मूल्यांकनों की सीमाओं को संबोधित किया जा सके।
यह शोध पत्र QUTCC को प्रस्तुत करता है, जो एक नवीन ढांचा है जो क्वांटाइल अनिश्चितता प्रशिक्षण (quantile uncertainty training) को स्थानिक रूप से अनुकूलित कॉन्फॉर्मल अंशांकन (spatially-adaptive conformal calibration) के साथ जोड़ता है ताकि उच्च-आयामी इमेजिंग व्युत्क्रम समस्याओं (high-dimensional imaging inverse problems) के लिए कड़े, सांख्यिकीय रूप से वैध अनिश्चितता अंतराल उत्पन्न किए जा सकें और मॉडल मतिभ्रम (model hallucinations) की प्रभावी ढंग से पहचान की जा सके।
यह शोध पत्र HiTeC को प्रस्तुत करता है, जो एक दो-चरणीय पदानुक्रमित कंट्रास्टिव लर्निंग फ्रेमवर्क है जो संरचना-जागरूक टेक्स्ट प्री-ट्रेनिंग, अर्थ-जागरूक डेटा ऑग्मेंटेशन और मल्टी-स्केल कंट्रास्टिव उद्देश्यों को एकीकृत करके टेक्स्ट-एट्रिब्यूटेड हाइपरग्राफ्स पर मौजूदा विधियों की सीमाओं को संबोधित करता है ताकि स्थानीय सहसंबंधों और दीर्घकालिक निर्भरताओं दोनों को कैप्चर किया जा सके।
यह अध्ययन ऑर्थोगोनल लेजेंड्रे पॉलिनोमियल के साथ स्पार्स रिग्रेशन का उपयोग करके यूनिवर्सल थर्मल क्लाइमेट इंडेक्स (UTCI) का एक अधिक सटीक और संख्यात्मक रूप से स्थिर सन्निकटन विकसित करता है, जो कंप्यूटिंग दक्षता बनाए रखते हुए मानक छठे-डिग्री पॉलिनोमियल पद्धति की तुलना में औसत और बड़े दोनों त्रुटियों को काफी कम करता है।
यह शोध पत्र यह प्रदर्शित करता है कि एकत्रित, स्वच्छ लेबल (aggregated, cleaned labels) का उपयोग करने वाली शिक्षण प्रक्रियाएं कच्चे लेबल (raw labels) का उपयोग करने वाली विधियों की तुलना में बेहतर मजबूती और अधिक सुदृढ़ जोखिम निरंतरता गारंटी (risk consistency guarantees) प्राप्त करती हैं, विशेष रूप से तब जब मॉडल थोड़े गलत-निर्दिष्ट (mis-specified) हों या जब सरोगेट नुकसान (surrogate losses) को कम किया जा रहा हो।