23700 पेपर
यह शोध पत्र पोंट्रियागिन-गाइडेड डायरेक्ट पॉलिसी ऑप्टिमाइज़ेशन (PG-DPO) प्रस्तुत करता है, जो एक ऐसा वेरिएशनल ढांचा है जो गैर-एक्सपोनेंशियल डिस्काउंटिंग के तहत बेलमैन-शैली के रिकर्शन की संरचनात्मक सीमाओं को पोंट्रियागिन मैक्सिमम प्रिंसिपल को मोंटे कार्लो रोलआउट्स के साथ जोड़कर दूर करता है।
यह शोध पत्र स्टेप साइज, शोर के गुणों और यादृच्छिक ऑपरेटर की संकुचनशीलता (contractivity) पर निर्भर करते हुए, सब-गौसियन (sub-Gaussian) से लेकर वेइबुल-से-अधिक भारी (heavier-than-Weibull) वितरणों तक के टेल व्यवहारों को व्युत्पन्न करके, भारी-पूंछ वाले मार्कोवियन शोर (heavy-tailed Markovian noise) के तहत स्टोकेस्टिक एप्रोक्सिमेशन इटरेट्स (stochastic approximation iterates) के लिए अधिकतम एकाग्रता सीमाएं (maximal concentration bounds) स्थापित करता है, जबकि साथ ही अभworst-case इष्टतमता प्रमाण भी प्रदान करता है और एक नवीन ट्रंकेशन तर्क के माध्यम से अनबाउंड शोर (unbounded noise) तक परिणामों का विस्तार करता है।
यह शोध पत्र प्रदर्शित करता है कि ऑफ-द-शेल्फ पर्सोना स्टीयरिंग वेक्टर्स, जो संदेह या सूक्ष्मता जैसे गुणों को बढ़ावा देते हैं, मॉडल की चापलूसी (सिकोफैंसी) को लक्षित कॉन्ट्रास्टिव एक्टिवेशन एडिशन (CAA) के स्तर तक प्रभावी ढंग से कम करते हैं और साथ ही सही उपयोगकर्ता इनपुट पर सटीकता को बेहतर ढंग से बनाए रखते हैं, जो यह सुझाव देता है कि चापलूसी एक पर्सोना-स्तरीय गुण है न कि एक एकल स्टीयरेबल दिशा।
यह शोध पत्र -निकटतम पड़ोसी (k-nearest neighbor) क्लासिफायर के लिए बान्ज़हाफ-आधारित (Banzhaf-based) डेटा मूल्यांकन की गणनात्मक जटिलता को संबोधित करता है, जिसमें इस समस्या के \#P-हार्ड होने को सिद्ध किया गया है और तत्पश्चात व्यावहारिक और निष्पक्ष डेटा योगदान मूल्यांकन को सक्षम करने के लिए स्यूडो-पॉलीनोमियल (pseudo-polynomial) और रैखिक समय जटिलताओं वाले कुशल सटीक एल्गोरिदम के साथ-साथ मोंटे कार्लो अनुमान विधियों को विकसित किया गया है।
यह शोध पत्र कार्य (task) और बाधा (constraint) घटकों के माध्यम से सीखने को परिभाषित करके, उनके ऐतिहासिक विभाजन को पाटने के लिए कारण संबंधी (causal) और पारंपरिक प्रतिनिधित्व शिक्षण (representation learning) के लिए एक एकीकृत सूत्रीकरण प्रस्तावित करता है, और प्रयोगों के माध्यम से यह प्रदर्शित करता है कि कारण संबंधी बाधाओं की प्रभावशीलता उनके साथ जोड़े गए विशिष्ट कार्यों पर अत्यधिक निर्भर करती है।
यह शोध पत्र एक द्वि-चरणीय ढांचे का प्रस्ताव करता है जो केवल युग्मवत (pairwise) मोडैलिटी डेटा का उपयोग करके मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स के प्रशिक्षण को सक्षम बनाता है, जो प्रतिनिधित्व पहचान क्षमता (representation identifiability) का सैद्धांतिक विश्लेषण करता है और पुनर्निर्माण एवं कंट्रास्टिव लर्निंग के माध्यम से एक साझा लेटेंट स्पेस सीखता है, जिससे पूर्णतः संरेखित बहु-मार्गी डेटासेट की आवश्यकता के बिना सुदृढ़ क्रॉस-मोडल ट्रांसफर और जनरेशन प्राप्त होता है।
यह शोध पत्र अनुक्रम वर्गीकरण (sequence classification) में सेल्फ-प्रीट्रेनिंग की सफलता के पीछे के तंत्रों की जांच करता है, जो यह प्रकट करता है कि यह मास्क पुनर्निर्माण (masked reconstruction) के माध्यम से मॉडल को रैंडम इनिशियलाइजेशन से आवश्यक निकटता-आधारित अटेंशन पैटर्न सीखने में सक्षम बनाकर मानक पर्यवेक्षित प्रशिक्षण (standard supervised training) की सीमाओं को दूर करता है, जिसे केवल लेबल पर्यवेक्षण पकड़ने में विफल रहता है।
यह शोधपत्र SpectralEarth-FM को प्रस्तुत करता है, जो एक पदानुक्रमित (hierarchical) ट्रांसफार्मर मॉडल और इसके साथ संलग्न 40TB SpectralEarth-MM डेटासेट है, जो एकल-सेंसर या एकल-मोडैलिटी वाले फाउंडेशन मॉडल्स की सीमाओं को दूर करने के लिए हाइपरस्पेक्ट्रल इमेजरी को मल्टीस्पेक्ट्रल, SAR और थर्मल अर्थ ऑब्जर्वेशन डेटा के साथ अत्याधुनिक संयुक्त प्रीट्रेनिंग सक्षम बनाता है।
यह शोध पत्र AIMBio को प्रस्तुत करता है, जो एक AI-नेटिव, FAIR और गवर्नेंस-अवेयर फ्रेमवर्क है जिसे प्रीक्लिनिकल डिस्कवरी और ट्रांसलेशन में कन्सट्रेंड मल्टी-ऑब्जेक्टिव ऑप्टिमाइज़ेशन के लिए खंडित मैटेरियल्स और बायोमेडिकल डेटा को ऑडिटेबल, क्लोज्ड-लूप वर्कफ़्लो में एकीकृत करने के लिए डिज़ाइन किया गया है।
यह शोध पत्र UEC-STD को प्रस्तुत करता है, जो एक सरल, आर्किटेक्चर-अज्ञेय त्रुटि सुधार मॉडल है जो भविष्यवाणियों को रुझान (trend) और मौसमी (seasonal) घटकों में विभाजित करता है ताकि बेस फोरकास्टर के पुन: प्रशिक्षण की आवश्यकता के बिना दीर्घकालिक गहन समय-श्रृंखला पूर्वानुमान (long-term deep time-series forecasting) में त्रुटि संचय को प्रभावी ढंग से कम किया जा सके।