24135 पेपर
यह शोधपत्र ArtifactLinker पेश करता है, जो एक दो-चरणीय ढांचा है जो वैज्ञानिक आर्टिफ़ैक्ट्स को एक ग्राफ के रूप में मॉडल करता है ताकि GNNs या LLMs के साथ संभावित लिंक्स को रैंक करके और LLM-आधारित कोडिंग एजेंटों के माध्यम से उन्हें सत्यापित करके डेटासेट्स के लिए अत्याधुनिक (state-of-the-art) मॉडल्स को स्वचालित रूप से खोजा जा सके, जिसे नए ArtifactBench बेंचमार्क द्वारा मान्य किया गया है।
यह शोध पत्र CAST प्रस्तुत करता है, जो वितरण-मूल्यित (distribution-valued) समय श्रृंखला के लिए एक कारण पूर्वानुमान (causal forecasting) विधि है, जो लेटेंट ट्रांज़िशन-कर्नेल एलियासिंग (latent transition-kernel aliasing) को दूर करने के लिए सिम्प्लेक्स-स्ट्रक्चर्ड सक्सेसर रिट्रीवल (simplex-structured successor retrieval) और एंकोर्ड स्टोकेस्टिक ट्रांसपोर्ट (anchored stochastic transport) का लाभ उठाता है, जिससे विविध वास्तविक और सिंथेटिक बेंचमार्क में अत्याधुनिक प्रदर्शन प्राप्त होता है।
यह शोध पत्र एक डीप लर्निंग फ्लो मैचिंग मॉडल प्रस्तुत करता है जो विभिन्न साझा सामाजिक-आर्थिक पथों (Shared Socioeconomic Pathways) और समवर्ती जलवायु बलों (climate forcings) के प्रति वैश्विक जलवायु मॉडलों की फोर्स्ड रिस्पॉन्स (forced response) का कुशलतापूर्वक अनुकरण करता है, जो अनदेखे परिदृश्यों को सफलतापूर्वक उत्पन्न करता है और दीर्घकालिक वायुमंडलीय रुझानों को सटीक रूप से पकड़ने के लिए विविध बलों को शामिल करने की आवश्यकता को प्रदर्शित करता है।
यह शोध पत्र एक पैरामीटर-कुशल ढांचे का प्रस्ताव करता है जो बैकबोन को पुन: प्रशिक्षित किए बिना संरचनात्मक अनुकूलता और सिमेंटिक टेम्पोरल मॉडलिंग के लिए एक हल्के प्लग-इन मॉड्यूल को पेश करके प्रीट्रेन्ड 10-सेकंड ईसीजी फाउंडेशन मॉडल्स को लंबे, परिवर्तनशील-लंबाई वाले रिकॉर्डिंग को संभालने के लिए विस्तारित करता है।
यह शोधपत्र एक निर्णय-जागरूक प्रॉक्सिमल ब्रिज लर्निंग फ्रेमवर्क प्रस्तुत करता है जो छिपे हुए कन्फाउंडिंग (hidden confounding) के तहत व्यक्तिगत उपचार चयन को अनुकूलित करने के लिए एक नीति-लक्षित भारित हानि (policy-targeted weighted loss) का उपयोग करता है, जिससे पूरे एक्शन स्पेस में समान रूप से कार्य करने के बजाय निर्णय-प्रासंगिक क्षेत्रों में मॉडलिंग प्रयास को प्राथमिकता देकर रिग्रेट (regret) को कम किया जाता है।
यह अध्ययन नैदानिक एआई (AI) प्रणालियों का व्यवस्थित रूप से ऑडिट करता है, जिससे यह पता चलता है कि वे अदृश्य प्रतिकूल विचलनों (adversarial perturbations) और नाइजीरियाई पिडिन एवं योरूबा-प्रभावित अंग्रेजी जैसी कम-संसाधन वाली भाषाओं में क्रॉस-लिंगुअल बदलावों के तहत नैदानिक सटीकता में विनाशकारी गिरावट का सामना करती हैं, जिससे विविध, वास्तविक दुनिया के स्वास्थ्य देखभाल परिवेशों में उनकी तैनाती में महत्वपूर्ण सुरक्षा अंतराल उजागर होते हैं।
यह शोध पत्र रैंकिंग-अवेयर कैलिब्रेशन (RAC) को प्रस्तुत करता है, जो एक ऐसा प्रशिक्षण ढांचा है जो बेहतर और खराब रीजनिंग पथों के बीच तथा स्वच्छ और दूषित इनपुट के बीच कॉन्फिडेंस रैंकिंग को लागू करने के लिए मौजूदा समूह-आधारित सुदृढीकरण लर्निंग संकेतों का लाभ उठाता है, जिससे बिना किसी बाहरी एनोटेशन की आवश्यकता के मल्टीमॉडल विजन-लैंग्वेज मॉडल्स में कार्य सटीकता और कैलिब्रेशन विश्वसनीयता को एक साथ सुधारा जा सकता है।
यह शोध पत्र BoLT को प्रस्तुत करता है, जो महंगे LLM कार्यों के लिए ब्लैक-बॉक्स अनुकूलन (black-box optimization) अनुसंधान का लोकतंत्रीकरण करने वाला पहला बेंचमार्क है, जो हाइपरपैरामीटर्स, प्रॉम्प्ट्स और कॉन्फ़िगरेशन के अनुकूलन विधियों का मूल्यांकन करने और उन्हें सुधारने के लिए पुनरुत्पादनीय (reproducible), वास्तविक-डेटा-संचालित सरोगेट मॉडल प्रदान करता है।
यह शोध पत्र लर्निंग-ज़ोन एनर्जी (LZE) का परिचय देता है, जो एक ऑनलाइन डेटा चयन ढांचा है जो बड़े भाषा मॉडलों के लिए सुदृढीकरण शिक्षण (रिनफोर्समेंट लर्निंग) पोस्ट-ट्रेनिंग को अनुकूलित करता है, और मॉडल के सक्रिय शिक्षण सीमा (एक्टिव लर्निंग फ्रंटियर) के भीतर के प्रॉम्प्ट्स पर गतिशील रूप से गणनात्मक संसाधनों को केंद्रित करके, काफी कम डेटा उपयोग और प्रशिक्षण लागत के साथ बेहतर गणितीय तर्क प्रदर्शन प्राप्त करता है।
यह शोध पत्र बिहेवियर फाउंडेशन मॉडल्स (Behavior Foundation Models) के लिए एक सुदृढ़ मिनिमैक्स ऑप्टिमाइज़ेशन फ्रेमवर्क प्रस्तावित करता है जो केवल नाममात्र (nominal) परिवेश डेटा का उपयोग करके प्रभावी ऑफलाइन इमिटेशन लर्निंग और अनदेखे डायनेमिक्स शिफ्ट्स के अनुकूलन को सक्षम बनाता है, जो प्रीट्रेनिंग संशोधनों की आवश्यकता के बिना मौजूदा बेसलाइन्स से काफी बेहतर प्रदर्शन करता है।