23511 पेपर
यह शोध पत्र एक मॉडल प्रेडिक्टिव कंट्रोल-आधारित एल्गोरिदम का प्रस्ताव करता है जो स्पष्ट बाधा सूचकांकों (constraint formulations) या हस्त-लेबल किए गए डेटा की आवश्यकता के बिना क्रिया सुरक्षा को सत्यापित करने के लिए सिम्युलेटर-संचालित उत्क्रमणीयता (reversibility) और धनात्मक-अपरिवर्तनीयता (positive-invariance) धारणाओं का लाभ उठाकर एक सुरक्षा ओरेकल (safety oracle) का सन्निकटन करता है।
यह शोध पत्र एक नवीन बायज़ेंटाइन-रोबस्ट (Byzantine-robust) फेडरेटेड लर्निंग फ्रेमवर्क का प्रस्ताव करता है जो एक अल्टरनेटिंग मिनिमाइजेशन एल्गोरिदम के माध्यम से ग्लोबल मॉडल के साथ संयुक्त रूप से अनुकूलित किए जाने वाले सीखने योग्य मापदंडों के रूप में एग्रीगेशन वेट्स (aggregation weights) को मानता है, जो विषम डेटा परिवेशों में अत्याधुनिक तरीकों की तुलना में दुर्भावनापूर्ण क्लाइंट्स के विरुद्ध बेहतर लचीलापन प्रदर्शित करता है।
यह शोध पत्र PINN-Proj को प्रस्तुत करता है, जो एक नवीन प्रोजेक्शन विधि है जो फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स में रैखिक और द्विघाती इंटीग्रल मात्राओं के संरक्षण की गारंटी देने के लिए बाधात्मक अनुकूलन (constrained optimization) समस्याओं को हल करती है, जिससे समाधान सटीकता और अभिसरण (convergence) में मामूली सुधार करते हुए संरक्षण त्रुटियों को तीन से चार परिमाणों (orders of magnitude) तक काफी कम कर दिया जाता है।
यह शोध पत्र मीनफ्लो (MeanFlow) की प्रशिक्षण गतिशीलता का विश्लेषण करता है ताकि यह प्रकट किया जा सके कि दीर्घ-अंतराल औसत वेगों को सीखने से पहले तात्कालिक वेग स्थापित किया जाना चाहिए, जिससे एक चरणबद्ध प्रशिक्षण योजना का मार्ग प्रशस्त होता है जो अभिसरण (convergence) को महत्वपूर्ण रूप से तेज करती है और ImageNet पर अत्याधुनिक (state-of-the-art) अल्प-चरण पीढ़ी गुणवत्ता प्राप्त करती है।
यह शोध पत्र एक डेटा न्यूनीकरण तकनीक प्रस्तावित करता है जो उच्च निष्कर्षण सटीकता बनाए रखते हुए बड़े पैमाने की हाइपरस्पेक्ट्रल छवियों के लिए सेल्फ-डिक्शनरी-आधारित एंडमेंबर निष्कर्षण को महत्वपूर्ण रूप से त्वरित करने के लिए मिश्रित पिक्सेल को हटा देता है।
यह शोध पत्र एक त्रुटि-संचालित प्रॉम्प्ट अनुकूलन ढांचे (error-driven prompt optimization framework) को प्रस्तुत करता है जो ऑन-प्रिमाइसेस लघु भाषा मॉडलों की अंकगणितीय तर्क क्षमताओं को महत्वपूर्ण रूप से बढ़ाता है, जिससे वे गोपनीयता-अनुपालक औद्योगिक सेटिंग्स में बिना किसी महंगी फाइन-ट्यूनिंग के GPT-3.5 Turbo जैसे बड़े मॉडलों को भी पीछे छोड़ने में सक्षम होते हैं।
यह शोध पत्र DIVER-1 को प्रस्तुत करता है, जो एक विशाल और विविध डेटासेट पर प्रशिक्षित एक स्व-पर्यवेक्षित (self-supervised) इंट्राक्रेनियल ईईजी (iEEG) फाउंडेशन मॉडल है, जो संज्ञानात्मक डिकोडिंग और दौरे का पता लगाने के लिए अत्याधुनिक हस्तांतरणीय प्रतिनिधित्व (transferable representations) प्राप्त करता है और साथ ही यह प्रदर्शित करता है कि प्रभावी स्केलिंग के लिए पैरामीटर संख्या की तुलना में डेटा का पैमाना और प्रशिक्षण की अवधि अधिक महत्वपूर्ण है।
यह शोध पत्र PairFlow को प्रस्तुत करता है, जो एक हल्का प्रीप्रोसेसिंग (preprocessing) तरीका है जो बिना किसी प्रीट्रेंड टीचर (pretrained teacher) के क्लोज्ड-फॉर्म कपल्ड सोर्स-टार्गेट सैंपल्स (closed-form coupled source-target samples) पर प्रशिक्षण देकर डिस्क्रीट फ्लो मॉडल्स (Discrete Flow Models) में कुशल फ्यू-स्टेप सैंपलिंग (few-step sampling) को सक्षम बनाता है, जो कंप्यूटेशनल लागत के एक अंश में फाइनट्यूनिंग-आधारित त्वरण (finetuning-based acceleration) के तुलनीय या उससे बेहतर प्रदर्शन प्राप्त करता है।
यह शोध पत्र एक परिमित-आयामी "लर्निंग स्टेबिलिटी प्रोफाइल" ढांचे को प्रस्तुत करता है जो विविध शिक्षण प्रणालियों, जिसमें फीडफॉरवर्ड और रेसिडुअल नेटवर्क, स्टोकेस्टिक ग्रेडिएंट विधियाँ और नॉनस्मूथ आर्किटेक्चर शामिल हैं, के लिए एक एकीकृत, स्पष्ट स्थिरता मानदंड प्रदान करने हेतु एक लयापुनोव-आधारित संवेदनशीलता विश्लेषण का उपयोग करता है।
यह शोध पत्र RepetitionCurse को प्रस्तुत करता है, जो एक कम लागत वाला ब्लैक-बॉक्स हमला है जो सरल पुनरावृत्ति टोकन पैटर्न का उपयोग करके Mixture-of-Experts LLMs में लोड बैलेंसिंग बाधाओं की कमी का फायदा उठाता है, जिससे गंभीर रूटिंग एकाग्रता (routing concentration) उत्पन्न होती है, जिससे कंप्यूटेशनल बाधाएं पैदा होती हैं और इन्फरेंस लेटेंसी (inference latency) तथा सेवा उपलब्धता में महत्वपूर्ण गिरावट आती है।