23915 पेपर
हाइपरग्राफफॉर्मर (HypergraphFormer) एक नवीन, एलएलएम-आधारित (LLM-based) दृष्टिकोण है जो हाइपरग्राफ निरूपणों को सीखकर संपादन योग्य फ्लोर प्लान तैयार करता है, जो सटीकता, डेटा दक्षता और मनमाने सीमाओं के अनुकूलनशीलता में अत्याधुनिक तरीकों से बेहतर प्रदर्शन करता है।
यह शोध पत्र टेनरी वेट क्वांटाइजेशन (ternary weight quantization) के प्रति प्री-नॉर्म ट्रांसफॉर्मर्स की मजबूती के लिए एक ज्यामितीय स्पष्टीकरण प्रदान करता है, जो यह प्रदर्शित करता है कि ReLU-प्रेरित दिशात्मक विषमता (directional asymmetry) और RMSNorm के प्रोजेक्शन गुणों का संयोजन साइन-फ्लिप गड़बड़ी (sign-flip perturbations) को परिमाण गड़बड़ी (magnitude perturbations) की तुलना में काफी अधिक आउटपुट ऊर्जा उत्पन्न करने के लिए प्रेरित करता है, जबकि वास्तविक मॉडलों में आउटलायर फीचर्स इस सैद्धांतिक सीमा से विचलन के लिए उत्तरदायी होते हैं।
यह शोधपत्र O'Prior को प्रस्तुत करता है, जो एक कंपोजिशनल रियलिज्म प्रायर (compositional realism prior) है जो अत्यधिक आदर्शित सिंथेटिक प्रीट्रेनिंग डिस्ट्रीब्यूशन के स्थान पर एक अधिक जटिल, स्ट्रेस-टेस्टेड जनरेशन प्रोटोकॉल का उपयोग करके टैबुलर फाउंडेशन मॉडल्स की सटीकता और मजबूती को महत्वपूर्ण रूप से बढ़ाता है, जो वास्तविक दुनिया के डेटा की अनियमितताओं की बेहतर नकल करता है।
यह शोध पत्र TabQL का प्रस्ताव करता है, जो एक सुदृढीकरण शिक्षण (reinforcement learning) ढांचा है जो शून्य या कुछ-शॉट (zero- or few-shot) Q-वैल्यू अनुमान के माध्यम से तीव्र, इन-कॉन्टेक्स्ट अनुकूलन और बेहतर सैंपल दक्षता को सक्षम करने के लिए डीप Q-लर्निंग में पैरामीट्रिक Q-नेटवर्क को एक टैबुलर फाउंडेशन मॉडल से बदल देता है।
यह शोध पत्र EgoTraj को प्रस्तुत करता है, जो एक नवीन ओपन मल्टीमॉडल डेटासेट है जिसमें मेटा क्वेस्ट प्रो हेडसेट्स के माध्यम से कैप्चर की गई सिंक्रोनाइज़्ड RGB वीडियो, 6-DoF हेड पोसेस और 3D आई गेज़ डेटा के साथ 75 वास्तविक दुनिया के शहरी नेविगेशन अनुक्रम शामिल हैं, जिसे रोबोटिक्स और सहायक प्रणालियों के लिए एगोसेंट्रिक मानव प्रक्षेपवक्र (ट्रैजेक्टरी) भविष्यवाणी के अनुसंधान को आगे बढ़ाने के लिए डिज़ाइन किया गया है।
यह शोध पत्र डीप न्यूरल शीफ डिफ्यूजन (DNSD) को प्रस्तुत करता है, जो एक नवीन आर्किटेक्चर है जो शीफ लैपलेसियन (sheaf Laplacian) को शीफ एडजसेंसी ऑपरेटर (sheaf adjacency operator) से बदलकर और नॉर्मलाइजेशन एवं गेटिंग तंत्रों को शामिल करके मौजूदा न्यूरल शीफ डिफ्यूजन मॉडलों की गहराई संबंधी सीमाओं को दूर करता है, जिससे प्रभावी डीप ग्राफ लर्निंग सक्षम होती है जो सिंथेटिक और वास्तविक दुनिया के बेंचमार्क दोनों पर अत्याधुनिक बेसलाइनों से काफी बेहतर प्रदर्शन करती है।
RLFTSim एक सुदृढीकरण अधिगम (reinforcement learning) आधारित फाइन-ट्यूनिंग फ्रेमवर्क है जो सिम्युलेटर रोलआउट्स को वास्तविक दुनिया के डेटा वितरण के साथ संरेखित करके और स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त करने के लिए एक कम-विचलन वाले, सघन रिवॉर्ड सिग्नल का उपयोग करके मल्टी-एजेंट ट्रैफिक सिमुलेशन की वास्तविकता और नियंत्रणीयता को बढ़ाता है, जैसा कि वेमो ओपन मोशन डेटासेट (Waymo Open Motion Dataset) पर देखा गया है।
यह शोध पत्र STRELGen को प्रस्तुत करता है, जो एक स्केलेबल न्यूरो-सिम्बोलिक फ्रेमवर्क है जो रोबस्ट ऑटोनॉमस व्हीकल टेस्टिंग के लिए सुरक्षा-महत्वपूर्ण, यथार्थवादी ड्राइविंग परिदृश्यों को कुशलतापूर्वक उत्पन्न करने हेतु एक मल्टी-एजेंट ट्रैजेक्टरी-जेनरेशन डिफ्यूजन मॉडल को डिफरेंशिएबल स्पैटियो-टेम्पोरल लॉजिक विनिर्देशों के साथ संयोजित करता है।
यह शोध पत्र सामान्यीकरण सीमाओं (generalization bounds) को व्युत्पन्न करके, मिनिमैक्स निचली सीमाओं (minimax lower bounds) को सिद्ध करके, और यह प्रदर्शित करके कि औसत के साथ स्टोकेस्टिक ग्रेडिएंट एसेंट (Stochastic Gradient Ascent) मल्टीप्लायर्स सीखने और वॉर्म-स्टार्ट सॉल्वर के लिए इष्टतम अभिसरण दरें (optimal convergence rates) प्राप्त करता है, मिक्सड इंटीजर लीनियर प्रोग्रामिंग में डेटा-संचालित लैग्रेंजियन रिलैक्सेशन (Lagrangian Relaxation) के लिए एक सैद्धांतिक आधार स्थापित करता है।
यह शोध पत्र SLURP फ्रेमवर्क और दो नवीन विधियों, MapSeek-Functional और MapSeek-Symbolic को पेश करके यह प्रदर्शित करता है कि आधुनिक मशीन लर्निंग बीजगणितीय संयोजन विज्ञान (algebraic combinatorics) में सत्यापन योग्य गणितीय खोजों को संचालित कर सकती है, जिन्होंने सफलतापूर्वक -नारायाना बहुपदों (Narayana polynomials) के लिए एक नया नॉनक्रॉसिंग पार्टीशन व्याख्या (noncrossing partition interpretation) खोजा और एक पूर्व में अनसुलझे मामले में उनकी समरूपता (symmetry) के लिए एक संयोजन संबंधी प्रमाण प्रदान किया।