23609 पेपर
यह शोध पत्र एक संभाव्य भौतिकी-सूचित मशीन लर्निंग दृष्टिकोण प्रस्तुत करता है जो बिना ओवरफिटिंग या रेगुलेराइजेशन के, शोर युक्त संरचनात्मक प्रतिक्रिया डेटा से एरोडायनामिक भार को सटीक रूप से पुनर्निर्मित करता है, जो मॉडल सत्यापन और संरचनात्मक क्षति पूर्वानुमान जैसे अनुप्रयोगों के लिए ग्रेट बेल्ट ईस्ट ब्रिज पर अपनी प्रभावकारिता प्रदर्शित करता है।
यह शोध पत्र SRAM का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो निर्णय लेने को सिमुलेटिव प्लानिंग (simulative planning), रिएक्टिव एक्जीक्यूशन (reactive execution) और एक सीखे हुए सेल्फ-रेगुलेशन मैकेनिज्म (self-regulation mechanism) में विभाजित करके एजेंटिक रीजनिंग की दक्षता को बढ़ाता है, जो यह गतिशील रूप से निर्धारित करता है कि कब और कितनी गहराई से योजना बनानी है, जिससे बड़े मॉडलों की तुलना में काफी कम रीजनिंग टोकन के साथ प्रतिस्पर्धी प्रदर्शन प्राप्त होता है।
यह शोध पत्र एक न्यूरो-सिंबोलिक सुदृढीकरण शिक्षण (रिनफोर्समेंट लर्निंग) ढांचे का प्रस्ताव करता है जो आंशिक दृश्यता के तहत नॉलेज ग्राफ के लिए अल्पकालिक-से-दीर्घकालिक स्मृति हस्तांतरण को स्पष्ट रूप से मॉडल करता है, जिससे एजेंट प्रतीकात्मक ट्रिपल्स (सिंबोलिक ट्रिपल्स) को चुनिंदा रूप से बनाए रखने या त्यागने के लिए व्याख्या योग्य नीतियां सीखने में सक्षम होते हैं ताकि वे रूमकेजी (RoomKG) बेंचमार्क पर मौजूदा बेसलाइन से बेहतर प्रदर्शन कर सकें।
यह शोध पत्र प्रदर्शित करता है कि अल्जेब्रिक मशीन लर्निंग (AML), जो हाइपरपैरामीटर ट्यूनिंग या क्रॉस-वैलिडेशन के बिना सबडायरेक्ट डिकंपोजिशन का उपयोग करने वाला एक सिम्बोलिक फ्रेमवर्क है, छोटे-से-मध्यम आकार के इमेज और टैबुलर डेटासेट पर CNN और XGBoost जैसे मजबूत मानक बेसलाइन्स के विरुद्ध प्रतिस्पर्धी प्रदर्शन प्राप्त करता है।
यह शोध पत्र वन-वे पॉलिसी ऑप्टिमाइज़ेशन (OWPO) को प्रस्तुत करता है, जो एक नवीन विधि है जो एसिमेट्रिक रीवेटिंग और इटरेटिव रेफरेंस अपडेट्स के माध्यम से ऑप्टिमाइज़ेशन दिशा को अपडेट परिमाण से अलग करके, बड़े भाषा मॉडलों के स्व-विकास को स्थिर और उन्नत करती है, जिससे मौजूदा टोकन-स्तरीय बाधाओं की अक्षमताओं को दूर किया जा सके और बाहरी संदर्भ मॉडलों के बिना निरंतर सुधार सक्षम हो सके।
यह शोध पत्र प्रदर्शित करता है कि जहाँ स्वाभाविक विचरण (variance) के कारण सिंगल-पॉइंट फीडबैक बैंडिट कॉनवेक्स ऑप्टिमाइज़ेशन में आशावादी ग्रेडिएंट भविष्यवाणियाँ (optimistic gradient predictions) वर्स्ट-केस रिग्रेट को बेहतर नहीं बना सकती हैं, वहीं एक नवीन टू-पॉइंट वेरिएंस-रिड्यूस्ड ऑप्टिमिस्टिक ग्रेडिएंट डिसेंट एल्गोरिदम टू-पॉइंट फीडबैक सेटिंग में के इष्टतम प्रेडिक्शन-एडेप्टिव रिग्रेट बाउंड्स प्राप्त करता है, जो एक मौलिक सूचना-सैद्धांतिक निचली सीमा (information-theoretic lower bound) से मेल खाता है।
यह शोध पत्र रिइन्फोर्स्ड ग्राफ ऑफ थॉट्स (RGoT) का प्रस्ताव करता है, जो एक स्वचालित ढांचा है जो ग्राफ ऑफ थॉट्स प्रॉम्प्टिंग में ऑपरेशन्स के ग्राफ को गतिशील रूप से अनुकूलित करने के लिए रिइन्फोर्समेंट लर्निंग का उपयोग करता है, जिससे जटिल समस्या-समाधान कार्यों को बेहतर ढंग से संभालने के लिए मैन्युअल रूप से परिभाषित संरचनाओं की कठोरता को दूर किया जा सके।
यह शोध पत्र स्किलवीव (SkillWeave) का परिचय देता है, जो एक मॉड्यूलर फ्रेमवर्क है जो बड़े भाषा मॉडलों को संकुचित, डोमेन-विशिष्ट "स्किलपैक" (skillpacks) में विभाजित करता है ताकि सख्त मेमोरी बजट के भीतर बेहतर मल्टी-डोमेन प्रदर्शन और इन्फरेंस गति प्राप्त की जा सके, जो काफी बड़े मोनोलिथिक मॉडलों से भी बेहतर प्रदर्शन करता है।
यह शोध पत्र यह स्थापित करता है कि विविध आउटपुट अनुक्रम उत्पन्न करने की एक ट्रांसफार्मर की क्षमता मौलिक रूप से उसकी प्रॉम्प्ट लंबाई द्वारा सीमित है, यह सिद्ध करते हुए कि सुलभ अनुक्रमों की संख्या प्रॉम्प्ट के साथ रैखिक रूप से बढ़ती है जबकि सुलभ अनुक्रमों का अनुपात एक महत्वपूर्ण सीमा के परे तेजी से (एक्सपोनेंशियल रूप से) घटता है, जिससे कॉपी करने और क्रैमिंग जैसे कार्यों पर होने वाली अनुभवजन्य विफलताओं की व्याख्या होती है।
यह शोध पत्र होलोमॉर्फिक KAN-ODE (Holomorphic KAN-ODE) प्रस्तुत करता है, जो एक पैरामीटर-कुशल और व्याख्यात्मक ढांचा है जो जटिल गतिशील प्रणालियों को सटीक रूप से मॉडल करने, उनके प्रतीकात्मक शासी समीकरणों की खोज करने और फ्रैक्टल सीमाओं को मजबूती से पुनर्गठित करने के लिए कोलमोगोरोव-आर्नोल्ड नेटवर्क को कॉशी-रिएमानन नियमितीकरण (Cauchy-Riemann regularization) के साथ एकीकृत करता है, और शोर प्रतिरोध (noise resilience) तथा ट्रांसफर लर्निंग में पारंपरिक MLP-आधारित न्यूरल ODEs से बेहतर प्रदर्शन करता है।