23609 पेपर
यह शोध पत्र एडेप्टिव बैच स्केलिंग (ABS) का प्रस्ताव देकर इस पारंपरिक धारणा को चुनौती देता है कि बड़े-बैच प्रशिक्षण और सुदृढीकरण शिक्षण (Reinforcement Learning) एक साथ संगत नहीं हैं, जो नीति स्थिरता के आधार पर बैच आकार को गतिशील रूप से समायोजित करता है ताकि बेहतर प्रदर्शन के लिए बड़े नेटवर्क और बड़े बैचों को सफलतापूर्वक संयोजित किया जा सके।
यह शोध पत्र 'फ्रॉम पैरामीटर्स टू डेटा' (P2D) का प्रस्ताव करता है, जो एक एकीकृत ढांचा है जो डेटा चयन और पैरामीटर-कुशल फाइन-ट्यूनिंग को एक साथ निर्देशित करने के लिए टास्क-सेंसिटिव अटेंशन हेड्स का लाभ उठाता है, जिससे पैरामीटर अपडेट को उच्च-एफिनिटी डेटा उपसमूहों के साथ सिंक्रोनाइज़ करके महत्वपूर्ण प्रदर्शन लाभ और 7.0x की गति वृद्धि प्राप्त होती है।
यह अध्ययन प्रदर्शित करता है कि मूल्यांकन उद्देश्य का चयन और उपसमूह-आकार नियमितीकरण (subset-size regularisation) की दिशा, बहु-उद्देश्यीय अनसुपरवाइज्ड फीचर सिलेक्शन में खोज गतिकी (search dynamics) और समाधान की गुणवत्ता को महत्वपूर्ण रूप से प्रभावित करती है, जो यह प्रकट करता है कि जहाँ सिलुएट-आधारित फॉर्मूलेशन मामूली (trivial) समाधानों की ओर पक्षपाती होते हैं, वहीं एक PCA पुनर्निर्माण हानि (reconstruction loss) उद्देश्य प्रभावी रूप से उन संक्षिप्त फीचर उपसमूहों को उत्पन्न करता है जिनका प्रेडिक्टिव प्रदर्शन सुपरवाइज्ड विधियों के तुलनीय होता है।
यह शोध पत्र दो अलग-अलग नैदानिक स्थलों में आयरन की कमी के पूर्वानुमान के लिए एक तैनात एम्बेडिंग-आधारित फेडरेटेड लर्निंग पाइपलाइन प्रस्तुत करता है, जो यह प्रदर्शित करता है कि एक व्यक्तिगत एकत्रीकरण पद्धति (FedMAP), रनटाइम गवर्नेंस के साथ मिलकर, संरचनात्मक गैर-IID डेटा विषमता को प्रभावी ढंग से संबोधित करके मानक वैश्विक एकत्रीकरण की तुलना में काफी बेहतर प्रदर्शन करती है।
यह शोध पत्र एक प्लग-एंड-प्ले सेल्फ-पेस्ड करिकुलम लर्निंग फ्रेमवर्क का प्रस्ताव करता है जिसमें एक ड्यूल-लेवल डिफिकल्टी मेज़रचर (दो-स्तरीय कठिनाई मापन यंत्र) है जो आसान से कठिन उदाहरणों की ओर प्रशिक्षण को गतिशील रूप से निर्देशित करता है, जो प्रभावी रूप से मोडैलिटी असंतुलन को संबोधित करता है और IEMOCAP और MELD डेटासेट्स पर मल्टीमॉडल कन्वर्सेशनल इमोशन रिकग्निशन में प्रदर्शन में महत्वपूर्ण सुधार करता है।
यह अध्ययन प्रदर्शित करता है कि जबकि मशीन लर्निंग मॉडल आंतरिक CKD डेटासेट पर लगभग पूर्ण भेदभाव प्राप्त कर सकते हैं, उनकी अंशांकन स्थिरता (calibration stability) का अभाव, खराब अनिश्चितता मात्रा निर्धारण (uncertainty quantification), और बाहरी तनाव परीक्षणों के तहत निम्न परिनियोजन तत्परता स्कोर, आंतरिक प्रदर्शन और नैदानिक विश्वसनीयता के बीच एक महत्वपूर्ण अंतर को प्रकट करते हैं, जो परिनियोजन से पहले कठोर बाहरी सत्यापन की आवश्यकता को रेखांकित करते हैं।
ConTact एक नवीन एंटीबॉडी CDR डिज़ाइन फ्रेमवर्क है जो सतह की पूरकता (surface complementarity) सीखने, CDR-एंटीजन संपर्कों (contacts) की भविष्यवाणी करने और संपर्क-गेटेड विशेषताओं (contact-gated features) को इंजेक्ट करने के विशिष्ट चरणों में जनरेशन प्रक्रिया को स्पष्ट रूप से विभाजित करता है, जिससे यह उन मौजूदा तरीकों की तुलना में बेहतर संरचनात्मक गुणवत्ता और एपिटोप जागरूकता प्राप्त करता है जो संपर्क तर्क (contact reasoning) को अनुक्रम चयन (sequence selection) के साथ मिला देते हैं।
यह शोध पत्र पोजीशन-वेटेड ऑन-पॉलिक सेल्फ-डिस्टिलेशन (PW-OPSD) प्रस्तुत करता है, जो यह पहचानकर कि टीचर-टोकन विश्वसनीयता एक प्रक्षेपवक्र-संरचित पैटर्न का अनुसरण करती है जिसे एंट्रॉपी के बजाय टोकन स्थिति द्वारा बेहतर ढंग से अनुमानित किया जा सकता है, अतिरिक्त टीचर गणना के बिना लक्षित डिस्टिलेशन के माध्यम से रीजनिंग मॉडल के प्रदर्शन में सुधार करता है।
AgForce एक नवीन एनकोडर-डिकोडर आर्किटेक्चर है जो फ्रेमवर्क ड्रॉपआउट, गेटेड बॉटलनैक्स और एक मिक्सचर डेंसिटी नेटवर्क जैसे विशिष्ट घटकों का उपयोग करके मौजूदा एंटीबॉडी डिज़ाइन विधियों की एंटीजन ब्लाइंडनेस और वोकैबुलरी कोलैप्स को दूर करता है ताकि बेहतर बाइंडिंग गुणवत्ता और अनुक्रम रिकवरी के साथ श्रेष्ठ एंटीजन-कंडीशन्ड जनरेटिव एंटीबॉडी डिज़ाइन प्राप्त किया जा सके।
UniVL एक एकीकृत विजन-लैंग्वेज एम्बेडिंग फ्रेमवर्क पेश करता है जो कुशल, उच्च-गुणवत्ता और स्थानिक रूप से ग्राउंडेड प्रासंगिक इमेज जनरेशन प्राप्त करने के लिए स्थानिक रूप से रेंडर किए गए निर्देशों को ऑप्टिकली पढ़ने के माध्यम से स्टैंडअलोन टेक्स्ट एनकोडर्स की आवश्यकता को समाप्त करता है।