24016 पेपर
CooT एक नवीन ढांचा है जो इन-कॉन्टेक्स्ट लर्निंग का लाभ उठाकर मल्टी-एजेंट सिस्टम को बिना पैरामीटर अपडेट के अपरिचित पार्टनर्स के प्रति तेजी से और मजबूती से अनुकूलित होने में सक्षम बनाता है, जो ओवरकुक्ड (Overcooked) और गूगल रिसर्च फुटबॉल (Google Research Football) जैसे बेंचमार्क पर मौजूदा पॉपुलेशन-आधारित, फाइन-ट्यूनिंग और मेटा-आरएल (Meta-RL) दृष्टिकोणों से बेहतर प्रदर्शन करता है।
यह शोध पत्र यह तर्क देता है कि एलएलएम-आधारित एजेंट (LLM-based agents), एआई-मध्यस्थ एडेप्टर (AI-mediated adapters) के माध्यम से "सार्वभौमिक अंतर-संचालनीयता" (universal interoperability) को सक्षम करके 'वॉल्ड गार्डन्स' (walled gardens) के प्रभुत्व को समाप्त कर सकते हैं, जो क्रॉस-प्लेटफ़ॉर्म डेटा विनिमय की लागत को नाटकीय रूप से कम करते हैं, जिससे उपयोगकर्ता की स्वतंत्रता और बाजार प्रतिस्पर्धा बहाल होती है, जबकि इससे जुड़े सुरक्षा और कानूनी जोखिमों को संबोधित करने के लिए नए ढांचे की आवश्यकता भी होती है।
यह शोध पत्र एक ज्यामिति-जागरूक (geometry-aware) 4D वीडियो जनरेशन मॉडल प्रस्तुत करता है जो नए दृष्टिकोणों (novel viewpoints) से भविष्य के वीडियो अनुक्रमों को टेम्पोरल रूप से सुसंगत और स्थानिक रूप से संरेखित बनाने के लिए क्रॉस-व्यू पॉइंटमैप संरेखण के माध्यम से मल्टी-व्यू 3D निरंतरता लागू करता है, जिससे विभिन्न कैमरा परिप्रेक्ष्यों में सामान्यीकरण करने वाली मजबूत रोबोट मैनिपुलेशन नीतियों को सक्षम बनाया जा सके।
यह शोध पत्र स्टाइन डिफ्यूजन गाइडेंस (SDG) प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त ढांचा है जो अनुमानित पोस्टीरियर्स (posteriors) को सुधारने के लिए एक सरोगेट स्टोकेस्टिक ऑप्टिमल कंट्रोल ऑब्जेक्टिव और स्टाइन वेरिएशनल इन्फरेंस का लाभ उठाता है, जिससे उन निम्न-घनत्व वाले क्षेत्रों में प्रभावी सैंपलिंग सक्षम होती है जहाँ मौजूदा विधियाँ विफल हो जाती हैं।
यह शोध पत्र एक WaveletInception-BiGRU डीप लर्निंग फ्रेमवर्क प्रस्तावित करता है जो बिना किसी स्पष्ट प्रीप्रोसेसिंग के कच्चे कंपन संकेतों (raw vibration signals) से सटीक, स्वचालित और स्थानीयकृत ऑन-बोर्ड इंफ्रास्ट्रक्चर स्वास्थ्य निगरानी सक्षम करने के लिए लर्नबल वेवलेट पैकेट ट्रांसफॉर्म्स, मल्टी-स्केल 1D Inception-ResNet मॉड्यूल और बायडायरेक्शनल GRUs को एकीकृत करता है।
यह शोध पत्र JSON-Bag प्रस्तुत करता है, जो गेम ट्रैजेक्टरीज (game trajectories) को उनके JSON विवरणों को टोकनाइज़ करके और जेन्सन-शैनन डिस्टेंस (Jensen-Shannon distance) के माध्यम से समानता को मापकर उन्हें निरूपित करने की एक जेनेरिक विधि है, जो छह टेबलटॉप गेम्स में एजेंटों, मापदंडों और सीड्स को वर्गीकृत करने में हस्तनिर्मित बेसलाइन्स (hand-crafted baselines) से बेहतर प्रदर्शन करता है और एजेंट पॉलिसी दूरियों (agent policy distances) के साथ मजबूत सहसंबंध और सैंपल दक्षता प्रदर्शित करता है।
यह शोध पत्र डायरेक्ट प्रेफरेंस ऑप्टिमाइज़ेशन (DPO) के लिए एक नवीन कठिनाई-आधारित डेटा चयन रणनीति प्रस्तुत करता है जो छोटे निहित रिवॉर्ड गैप्स के माध्यम से चुनौतीपूर्ण प्राथमिकता उदाहरणों की पहचान करता है, जिससे मौजूदा बेसलाइन की तुलना में मूल डेटा के केवल 10% का उपयोग करके मॉडल अलाइनमेंट दक्षता और प्रदर्शन में महत्वपूर्ण सुधार होता है।
यह शोध पत्र प्रदर्शित करता है कि व्याख्यात्मक मशीन लर्निंग मॉडल, विशेष रूप से डेडेकिंड ज़ेटा गुणांकों (Dedekind zeta coefficients) पर प्रशिक्षित निर्णय वृक्ष (decision trees), संख्या क्षेत्रों के गैलवा समूहों (Galois groups) को प्रभावी ढंग से वर्गीकृत कर सकते हैं और अंतर्निहित गणितीय पैटर्न को प्रकट कर सकते हैं जो नए वर्गीकरण मानदंडों की ओर ले जाते हैं।
यह शोध पत्र DAASH को प्रस्तुत करता है, जो एक पूर्णतः विभेदनीय (fully differentiable) मेटा-अटैक फ्रेमवर्क है जो एक नवीन मेटा-लॉस द्वारा निर्देशित एक बहु-चरणीय, अनुकूलन योग्य प्रक्रिया के माध्यम से कई Lp-प्रतिबंधित आधार हमलों को रणनीतिक रूप से संयोजित करता है ताकि ऐसे प्रतिकूल उदाहरण (adversarial examples) उत्पन्न किए जा सकें जो अत्याधुनिक तरीकों की तुलना में काफी उच्च सफलता दर और बेहतर दृश्य गुणवत्ता प्राप्त करते हैं और अनदेखी सुरक्षा प्रणालियों (unseen defenses) के प्रति भी अच्छा सामान्यीकरण प्रदर्शित करते हैं।
यह शोधपत्र EdgeFD का प्रस्ताव करता है, जो एक संसाधन-कुशल फेडेरेटेड डिस्टिलेशन विधि है जो प्रॉक्सी डेटा के क्लाइंट-साइड फ़िल्टरिंग के लिए KMeans-आधारित डेंसिटी रेश्यो एस्टीमेटर का उपयोग करता है, जिससे जटिल सर्वर-साइड फ़िल्टरिंग की आवश्यकता समाप्त हो जाती है और कम कम्प्यूटेशनल ओवरहेड के साथ नॉन-IID परिदृश्यों में अत्याधुनिक विधियों से बेहतर प्रदर्शन करता है।