23609 पेपर
यह शोध पत्र Qreg+NWLU का प्रस्ताव करता है, जो एक वैल्यू-आधारित डेटा रिहर्सल विधि है जो मल्टी-साइक्लिक कॉन्टिनुअल रीइन्फोर्समेंट लर्निंग के लिए निरंतर Q-वैल्यू संग्रह और तत्काल "नो-वेट" रेगुलाइजेशन को पेश करके एक्टर-सेंट्रिक दृष्टिकोणों की सीमाओं को दूर करती है ताकि कैटास्ट्रोफिक फॉरगेटिंग को प्रभावी ढंग से कम किया जा सके और नॉलेज ट्रांसफर को बढ़ाया जा सके।
यह शोध पत्र यह प्रदर्शित करता है कि ग्राफ टोकनाइज़ेशन का चयन स्पेक्ट्रल (spectral), रैंडम-वॉक (random-walk) और एडजसेंसी (adjacency) निरूपणों के बीच विशिष्ट सैद्धांतिक ट्रेड-ऑफ—जैसे कि लॉसिनेस (lossiness) बनाम इल-कंडीशनिंग (ill-conditioning)—स्थापित करके ट्रांसफॉर्मर की एक्सप्रेसिविटी (expressivity) और गहराई की आवश्यकताओं को मौलिक रूप से निर्धारित करता है, जबकि यह भी सिद्ध करता है कि इन असंगत दृष्टिकोणों के बीच रूपांतरण अक्सर सीमित-गहराई वाले मॉडलों के लिए असंभव होता है।
यह शोध पत्र प्रदर्शित करता है कि डीप न्यूरल नेटवर्क में विनर-टेक-ऑल (Winner-Take-All) बॉटलनैक्स, मल्टी-टास्क लर्निंग में अत्यधिक प्रतीकात्मक (symbolic), विसंयोजित (disentangled) श्रेणीगत लेटेंट कारकों के निष्कर्षण को लागू करते हैं, जिससे सामान्यीकरण (generalization) में वृद्धि होती है और प्रतीकात्मक एवं उप-प्रतीकात्मक (subsymbolic) एआई के बीच के अंतर को पाटा जा सकता है।
यह शोध पत्र यह प्रदर्शित करता है कि रैंडम नोड सैंपलिंग (Random Node Sampling), स्थानीय ग्राफ संरचना को त्यागने के बावजूद, मिनी-बैच SGD के बैकवर्ड एरर विश्लेषण के माध्यम से प्रकट रूप से कम ग्रेडिएंट वेरिएंस वाले एक रेगुलराइज्ड ऑब्जेक्टिव को न्यूनतम करके, फुल-ग्राफ ट्रेनिंग और जटिल स्ट्रक्चर-अवेयर सैंपलर्स से बेहतर प्रदर्शन करती है।
यह शोध पत्र एक उच्च-आयामी सैद्धांतिक ढांचा स्थापित करता है जो यह प्रदर्शित करता है कि नियमितीकृत सामान्यीकृत रैखिक मॉडलों (regularized generalized linear models) में, प्रशिक्षण बैकडोर ट्रिगर्स की शक्ति बढ़ाने से परिमित-नमूना शोर फर्श (finite-sample noise floors) के कारण विरोधाभासी रूप से स्वच्छ परीक्षण सटीकता में सुधार हो सकता है और हमले की सफलता कम हो सकती है, जिसमें सबसे हानिकारक ट्रिगर्स डेटा सहप्रसरण (data covariance) के न्यूनतम आइजनवेक्टर (minimum eigenvector) के साथ संरेखित होते हैं।
यह शोध पत्र यह प्रदर्शित करता है कि जबकि लीनियर प्रोब्स (linear probes) यह सुझाव देते हैं कि बेस-डिजिट निष्कर्षण (base-digit extraction) के लिए प्रशिक्षित एक ट्रांसफॉर्मर क्रमिक अंकगणितीय मध्यवर्ती (staged arithmetic intermediates) की गणना करता है, कारण संबंधी परीक्षण (causal tests) यह प्रकट करते हैं कि वास्तविक कम्प्यूटेशनल मार्ग अलग-अलग इनपुट स्ट्रीम्स पर निर्भर करता है जो अंत में संयोजित होते हैं, जो प्रतिनिधित्व संबंधी साक्ष्य (representational evidence) और कारण तंत्र (causal mechanism) के बीच एक महत्वपूर्ण विचलन को उजागर करता है।
यह शोध पत्र विश्लेषण करता है कि कैसे एक्शन-चंकिंग बिहेवियरल क्लोनिंगिंग में विभिन्न मल्टीमॉडल पैरामीट्राइजेशन अलग-अलग बाधाओं के तहत विफल होते हैं, यह प्रदर्शित करते हुए कि लेटेंट-वेरिएबल पॉलिसियाँ रेगुलराइजेशन और मोड प्रिजर्वेशन के बीच के ट्रेड-ऑफ में संघर्ष करती हैं, जबकि एक्शन-स्पेस जनरेटिव पॉलिसियाँ अपने ट्रांसपोर्ट मैप्स की स्मूथनेस द्वारा सीमित होती हैं।
यह शोध पत्र सिग्नल इन द नॉइज़ (SITN) को प्रस्तुत करता है, जो एक नवीन आउट-ऑफ-डिस्ट्रीब्यूशन डिटेक्शन पद्धति है जो फैक्टरइज़्ड लेटेंट स्पेस में असामान्य नॉइज़ मैपिंग्स की पहचान करने के लिए कंटीन्यूअस नॉर्मलाइज़िंग फ्लोज़ के गुणों का लाभ उठाती है, जिससे बिना किसी OOD डेटा की आवश्यकता या महत्वपूर्ण कम्प्यूटेशनल लागत के, पारंपरिक लाइकलीहुड-आधारित संकेतकों की अविश्वसनीयता पर विजय प्राप्त की जा सकती है।
न्यूरल कंपाइलर एक ऐसी प्रणाली है जो स्कीम-समान भाषा में लिखे गए प्रतीकात्मक प्रोग्रामों को सटीक, अवकलनीय (differentiable) पायटॉर्च मॉड्यूल में अनुवादित करती है, जो हाइब्रिड वैज्ञानिक मशीन लर्निंग मॉडलों को ज्ञात भौतिकी को सीखे गए घटकों के साथ संयोजित करने में सक्षम बनाती है, जबकि व्यवस्थित संरचनात्मकता और मानक PINN बेसलाइनों की तुलना में काफी कम मापदंडों के साथ बेहतर सटीकता सुनिश्चित करती है।
यह शोध पत्र यह तर्क देता है कि एजेंटिक वर्कफ़्लो को सीधे छोटे, फाइन-ट्यून्ड मॉडल्स के वेट्स (weights) में संकलित करना ("सबटेरेनियन एजेंट्स"), प्रचलित बाहरी ऑर्केस्ट्रेशन फ्रेमवर्क्स के मुकाबले एक लागत प्रभावी, निजी और संदर्भ-कुशल विकल्प प्रदान करता है, जो विविध जटिल कार्यों में फ्रंटियर-स्तर की गुणवत्ता प्रदर्शित करते हुए प्रमुख अंगीकरण बाधाओं को दूर करता है।