24135 पेपर
यह शोध पत्र परिपक्व ग्राउंड ट्रुथ (matured ground truth) पर आधारित टाइम सीरीज़ फोरकास्टिंग के लिए एक सिद्धांत-आधारित टेस्ट-टाइम अडैप्टेशन प्रोटोकॉल प्रस्तावित करता है और फ्रीक्वेंसी-अवेयर कैलिब्रेशन (FAC) का परिचय देता है, जो एक हल्का तरीका है जो फ्रीक्वेंसी डोमेन में सीधे प्रेडिक्शन सुधारों को पैरामीटराइज़ करके प्रतिस्पर्धी प्रदर्शन प्राप्त करता है।
यह शोध पत्र एक विलंबता-जागरूक (latency-aware) बेंचमार्किंग फ्रेमवर्क प्रस्तुत करता है जो इनवर्टर-प्रधान पावर ग्रिड में वास्तविक समय के दोष और साइबर-हमले के वर्गीकरण के लिए आठ डीप लर्निंग आर्किटेक्चर का मूल्यांकन करता है, जिससे यह पता चलता है कि हालांकि मॉडल सब-साइकिल निर्णय समय प्राप्त करते हैं, लेकिन उनकी एंड-टू-एंड इन्फरेंस विलंबता (50-90 ms) वर्तमान में सुरक्षा-ग्रेड आवश्यकताओं से अधिक है, जो एल्गोरिदम प्रदर्शन और तैनात करने योग्य हार्डवेयर समाधानों के बीच एक महत्वपूर्ण अंतर को उजागर करती है।
यह शोध पत्र CliffSplit और CliffLoss को क्रमशः एक मूल्यांकन प्रोटोकॉल और प्रशिक्षण तंत्र के रूप में प्रस्तुत करता है, जो आणविक मशीन लर्निंग मॉडल की उन छिपी हुई भविष्यवाणियों की त्रुटियों को पहचानने और कम करने के लिए है जो संरचनात्मक रूप से समान लेकिन गुण-विविध "क्लिफ" (cliff) क्षेत्रों में होती हैं, जिससे इन स्थानीय विफलताओं को एक बेंचमार्क किए गए समस्या में परिवर्तित किया जा सके।
यह शोध पत्र निरंतर पथ स्थानों (continuous path spaces) में कम्प्यूटेशनल बाधाओं को दूर करने और रोबस्ट फाइनेंस एवं अनुक्रमिक अनिश्चितता मात्रा निर्धारण (sequential uncertainty quantification) में अनुप्रयोगों को सक्षम करने के लिए, एक KL-पेनलाइज्ड रिलैक्सेशन और पॉलिसी-ग्रेडिएंट एल्गोरिदम का उपयोग करके द्वि-कारणता (bi-causal) अनुकूल परिवहन कपलिंग्स की गणना करने हेतु एक स्केलेबल स्टोकेस्टिक-ऑप्टिमाइज़ेशन फ्रेमवर्क प्रस्तुत करता है।
यह शोध पत्र तर्क देता है कि एआई अनुसंधान में 'स्टेट-ऑफ-द-आर्ट' के दावे अक्सर बेंचमार्क साक्ष्यों द्वारा समर्थित नहीं होते हैं, क्योंकि कुल स्कोर में सुधार अक्सर निरंतर और सुदृढ़ श्रेष्ठता के बजाय आउटलेर्स (outliers) पर निर्भर करते हैं, जो मॉडल के प्रदर्शन की अधिक ईमानदार और सटीक रिपोर्टिंग को आवश्यक बनाता है।
यह शोध पत्र एक नवीन हाइब्रिड गॉसियन प्रोसेस रिग्रेशन-हिस्टोरिकल सिमुलेशन ढांचे को प्रस्तुत करता है जो वैश्विक इक्विटी पोर्टफोलिपियो के लिए पारंपरिक अर्थमितीय मॉडलों की तुलना में नियामक-अनुपालन योग्य, श्रेष्ठ अस्थिरता-सहसंबंध पूर्वानुमान प्राप्त करने के लिए स्थिर ऐतिहासिक सहसंबंधों के साथ गतिशील एकचर अस्थिरता मॉडलिंग और एक आक्रामक शोर इनिशियलाइजेशन (Aggressive Noise Initialization) रणनीति को जोड़ता है।
यह शोध पत्र विभिन्न आकारों और प्रतिमानों (paradigms) में 120 मॉडलों को प्रशिक्षित करके इलेक्ट्रोकार्डियोग्राम (ECG) मॉडलों के लिए स्केलिंग लॉ (scaling laws) की व्यवस्थित रूप से जांच करता है, जिससे यह पता चलता है कि जबकि स्व-पर्यवेक्षित शिक्षण (self-supervised learning) बेहतर डेटा और ट्रांसफर दक्षता प्रदान करता है, प्रभावी ECG फाउंडेशन मॉडलों का इष्टतम मार्ग केवल ब्रूट-फोर्स स्केलिंग पर निर्भर करने के बजाय आर्किटेक्चर (ResNet बनाम Transformer) को प्री-ट्रेनिंग प्रतिमान के साथ रणनीतिक रूप से संरेखित करने पर निर्भर करता है।
यह शोध पत्र A2RBench प्रस्तुत करता है, जो अद्वितीय समाधान सुनिश्चित करने के लिए चक्र निरंतरता (cycle consistency) का उपयोग करके औपचारिक रूप से सत्यापन योग्य अमूर्त तर्क बेंचमार्क उत्पन्न करने के लिए एक स्वचालित पाइपलाइन है, जो यह प्रकट करता है कि वर्तमान LLMs अमूर्त तर्क में मनुष्यों की तुलना में काफी खराब प्रदर्शन करते हैं और उच्च-आयामी कार्यों के साथ संघर्ष करते हैं।
यह शोध पत्र CLAP को प्रस्तुत करता है, जो एक स्थान-जागरूक (location-aware) फ्रेमवर्क है जो सामान्य फ्रेमों पर प्रदर्शन से समझौता किए बिना, दुर्लभ, सुरक्षा-महत्वपूर्ण लॉन्ग-टेल ड्राइविंग परिदृश्यों में नियोजन त्रुटियों को महत्वपूर्ण रूप से कम करने के लिए फ्रोजन विजन-लैंग्वेज-एक्शन मॉडल्स के लेटेंट स्पेस में प्रति-रोडब्लॉक सॉफ्ट प्रॉम्प्ट्स को अनुकूलित करता है।
यह शोध पत्र LEAP को प्रस्तुत करता है, जो एक सीखने योग्य एंड-टू-एंड अनुकूली प्रूनिंग (adaptive pruning) विधि है जो बड़े भाषा मॉडलों में सुलभ अनस्ट्रक्चर्ड स्पैरसिटी लर्निंग (unstructured sparsity learning) को सक्षम करने के लिए प्रति-भार बर्नौली-वाया-गमबेल-सिग्मॉइड रिलैक्सेशन (per-weight Bernoulli-via-Gumbel-sigmoid relaxation) का उपयोग करता है, जो उच्च स्पैरसिटी स्तरों पर ज़ीरो-शॉट सटीकता में मौजूदा लेयर-वाइज़ बेसलाइन से काफी बेहतर प्रदर्शन करता है।