24017 पेपर
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।
द लूप (The Loupe) विजन ट्रांसफॉर्मर्स के लिए एक हल्का, प्लग-एंड-प्ले स्थानिक गेटिंग मॉड्यूल है जो विभेदक विशेषताओं को बढ़ाने के लिए विरल स्थानिक मास्क (sparse spatial masks) की भविष्यवाणी करके सूक्ष्म-स्तरीय दृश्य वर्गीकरण को महत्वपूर्ण रूप से बढ़ाता है, और न्यूनतम पैरामीटर ओवरहेड के साथ CUB-200-2011 पर अत्याधुनिक परिणाम प्राप्त करता है।
यह शोध पत्र ORDinal Adaptive Correction (ORDAC) का प्रस्ताव करता है, जो एक नवीन डेटा-केंद्रित ढांचा है जो विभिन्न शोर स्थितियों के तहत Adience और Diabetic Retinopathy जैसे डेटासेट पर मॉडल की मजबूती और सटीकता में उल्लेखनीय सुधार करने के लिए प्रशिक्षण के दौरान शोर वाले ऑर्डिनल लेबल को गतिशील रूप से समायोजित और ठीक करने हेतु Label Distribution Learning का लाभ उठाता है।
यह शोध पत्र प्रोसेस कंसिस्टेंसी फ़िल्टर (PROF) को प्रस्तुत करता है, जो एक डेटा क्यूरेशन पद्धति है जो उच्च गुणवत्ता वाले प्रशिक्षण नमूनों का चयन करने के लिए प्रोसेस और आउटकम रिवॉर्ड मॉडल्स के बीच की निरंतरता का लाभ उठाती है, जिससे प्रत्यक्ष रिवॉर्ड ऑप्टिमाइज़ेशन की अस्थिरता से बचते हुए अंतिम-उत्तर सटीकता और रीजनिंग फेथफुलनेस दोनों में सुधार होता है।