23609 पेपर
यह शोध पत्र एक हज़ार्ड-रिस्पॉन्सिव डिजिटल ट्विन (H-RDT) ढांचे को प्रस्तुत करता है जो जलवायु-प्रेरित शहरी खतरों की प्रभावी ढंग से भविष्यवाणी करने और हस्तक्षेपों को अनुकूलित करने के लिए भौतिकी-आधारित मॉडलिंग, अनुकूलन योग्य बहुआयामी डेटा संलयन और समता-जागरूक विश्लेषण को एकीकृत करता है, जिससे थर्मल जोखिम को कम करने और संवेदनशील आबादी के लिए लचीलेपन को बढ़ाने में मदद मिलती है।
यह शोध पत्र नेक्स्ट-लेटेंट प्रेडिक्शन (NextLat) को प्रस्तुत करता है, जो एक सरल सहायक प्रशिक्षण उद्देश्य (auxiliary training objective) है जो ट्रांसफॉर्मर्स को लेटेंट स्पेस में स्व-पर्यवेक्षित भविष्यवाणियों को लागू करके संक्षिप्त, भविष्य कहने वाले लेटेंट वर्ल्ड मॉडल सीखने के लिए बाध्य करता है, जिससे मॉडल की वास्तुकला (architecture) को बदले बिना सामान्यीकरण, प्रतिनिधित्व संपीड़न (representation compression) और अनुमान गति (inference speed) में सुधार होता है।
यह शोध पत्र DCC प्रस्तुत करता है, जो प्रोसेसिंग-इन-मेमोरी (PIM) सिस्टम के लिए पहला डेटा-केंद्रित कंपाइलर है जो मेमोरी एक्सेस मिसमैच को दूर करने के लिए डेटा पुनर्व्यवस्था और कंप्यूट कोड को संयुक्त रूप से अनुकूलित करता है, जिससे विविध PIM आर्किटेक्चर में मशीन लर्निंग कर्नेल और लार्ज लैंग्वेज मॉडल इन्फरेंस में महत्वपूर्ण गति प्राप्त होती है।
यह शोध पत्र एक ग्राफ न्यूरल नेटवर्क-आधारित हाइब्रिड ट्विन फ्रेमवर्क प्रस्तावित करता है जो भौतिकी-आधारित सिमुलेशन को सुधारने के लिए एक कम-जटिलता वाले "इग्नोरेंस मॉडल" को सीखता है, जिससे घने डेटा की आवश्यकता के बिना विरल स्थानिक मापों और परिवर्तनशील ज्यामितिओं में सटीक सामान्यीकरण सक्षम होता है।
यह शोध पत्र EnFlow प्रस्तुत करता है, जो एक नवीन ऊर्जा-निर्देशित जनरेटिव फ्रेमवर्क है जो केवल एक से दो सैंपलिंग स्टेप्स में विविध, भौतिक रूप से सटीक निम्न-ऊर्जा आणविक संरचनाओं को कुशलतापूर्वक उत्पन्न करने और ग्राउंड स्टेट्स की पहचान करने के लिए फ्लो-आधारित कॉन्फ़ॉर्मर जनरेशन को सीखे गए ऊर्जा परिदृश्य मॉडलिंग के साथ एकीकृत करता है।
यह शोध पत्र इटरेटिव हेसियन मिक्सिंग (IHM) का प्रस्ताव करता है, जो लीनियर रिग्रेशन के लिए एक डिफरेंशियल प्राइवेट एल्गोरिदम है, जो यूटिलिटी बाउंड्स में एक मल्टीप्लिकेटिव डायमेंशन-डिपेंडेंट फैक्टर को हटाकर और कठोर मूल्यांकन के माध्यम से बेहतर एम्पिरिकल प्रदर्शन प्रदर्शित करके अत्याधुनिक AdaSSP विधि में सुधार करता है।
यह शोध पत्र इस पारंपरिक दृष्टिकोण को चुनौती देता है कि मॉडल की सटीकता मॉडल-आधारित सुदृढीकरण शिक्षण (reinforcement learning) में प्राथमिक बाधा है, और इसके बजाय यह प्रदर्शित करता है कि वैल्यू फंक्शन्स के एनसेम्बलिंग (ensembling) के माध्यम से ओवरएस्टिमेशन बायस (overestimation bias) को कम करना प्रभावी खोज को सक्षम करने और अत्याधुनिक प्रदर्शन प्राप्त करने की कुंजी है।
यह शोध पत्र एक निर्णय-सैद्धांतिक ढांचे का प्रस्ताव करता है जो बेयस-इष्टतम (Bayes-optimal) प्रतिक्रियाओं को संश्लेषित करने और जोखिम को मापने के लिए आउटपुट को कार्य-निर्भर गुप्त संरचना (task-dependent latent structure) में मॉडल करके LLM जनरेशन और अनिश्चितता अनुमान में सुधार करता है, जिससे यह मानक भाषा-स्थान डिकोडिंग विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र AgentScore को प्रस्तुत करता है, जो एक LLM एजेंट फ्रेमवर्क है जो सिमेंटिक नियम निर्माण (semantic rule generation) को डेटा-आधारित सत्यापन (data-grounded verification) के साथ जोड़कर स्वतः ही तैनात करने योग्य, यूनिट-वेटेड क्लिनिकल स्कोरिंग सिस्टम का निर्माण करता है, जिससे नियमित क्लिनिकल उपयोग के लिए आवश्यक सख्त व्याख्यात्मकता (interpretability) और वर्कफ़्लो बाधाओं का पालन करते हुए लचीले मॉडलों के तुलनीय प्रदर्शन प्राप्त होता है।
यह शोध पत्र सामान्य बायेसियन अनुमान (Generalized Bayesian Inference) के लिए पहले पूर्णतः एमोर्टाइज्ड वेरिएशनल एप्रोक्सिमेशन (fully amortized variational approximation) को प्रस्तुत करता है जो डेटा और तापमान दोनों पर आधारित एक एकल न्यूरल नेटवर्क को प्रशिक्षित करता है ताकि बिना पुन: रन या सिम्युलेटर कॉल के टेम्पर्ड पोस्टीरियर्स (tempered posteriors) के कुशल, सिंगल-पास सैंपलिंग को सक्षम बनाया जा सके, जो विविध बेंचमार्क में पारंपरिक MCMC विधियों के विरुद्ध प्रतिस्पर्धी सटीकता प्राप्त करता है।