24235 पेपर
AutoRubric-T2I एक नवीन ढांचा है जो विजन-लैंग्वेज मॉडल जजों को निर्देशित करने के लिए स्पष्ट और व्याख्या योग्य रूब्रिक्स को स्वचालित रूप से संश्लेषित और चयन करता है, जिससे उच्च व्याख्यात्मकता और बड़े पैमाने पर मानव प्राथमिकता डेटा पर न्यूनतम निर्भरता के साथ टेक्स्ट-टू-इमेज संरेखण (alignment) में अत्याधुनिक परिणाम प्राप्त होते हैं।
वेनम (Venom) एक शैक्षिक पायटॉर्च (PyTorch) टूलकिट है जो तुलना करने, सिखाने और प्रोटोटाइपिंग को सुगम बनाने के लिए एक सुसंगत, पठनीय इंटरफ़ेस के तहत विविध जनरेटिव मॉडलिंग प्रतिमानों को एकीकृत करता है, बिना बड़े पैमाने पर प्रदर्शन इंजीनियरिंग को प्राथमिकता दिए।
यह शोध पत्र ADAP को प्रस्तुत करता है, जो एक अनुकूली इन्फरेंस-टाइम एल्गोरिदम है जो डायनामिक रूप से उम्मीदवारों के नमूने लेने और उन्हें रैंक करने के माध्यम से सस्ते रिवॉर्ड स्कोरिंग और महंगी सत्यापन प्रक्रिया के बीच कुशलतापूर्वक संतुलन बनाता है, जिससे मोनोटोनिसिटी धारणाओं के तहत गणितीय तर्क और कोड जनरेशन जैसे कार्यों में लगभग इष्टतम लागत प्रदर्शन प्राप्त होता है।
यह शोध पत्र सॉफ्टवेयर दोष भविष्यवाणी के लिए एक फीचर-संचालित ढांचे को प्रस्तुत करता है जो यह प्रदर्शित करता है कि कैसे फीचर चयन विधियों (विशेष रूप से सहसंबंध-आधारित फीचर चयन) को जेनेटिक एल्गोरिदम-आधारित हाइपरपैरामीटर ट्यूनिंग के साथ संयोजित करने से मशीन लर्निंग मॉडल की सटीकता में महत्वपूर्ण सुधार होता है, जिससे रैंडम फॉरेस्ट के साथ 88.40% सटीकता दर प्राप्त होती है।
VeriCache एक इन्फरेंस फ्रेमवर्क है जो कंप्रेस्ड KV-कैश का उपयोग करके टोकन ड्राफ्ट करने और उन्हें फुल कैश के विरुद्ध सत्यापित करने के माध्यम से लॉसलेस (lossless) LLM आउटपुट प्राप्त करता है जो फुल-KV-कैश डिकोडिंग के समान होता है, जबकि यह थ्रूपुट को महत्वपूर्ण रूप से बढ़ाता है क्योंकि फुल कैश को GPU मेमोरी से बाहर रखा जाता है और केवल आवश्यकता होने पर ही स्वैप किया जाता है।
यह शोध पत्र SynVA को प्रस्तुत करता है, जो एक मॉड्यूलर टूलकिट है जो बड़े पैमाने पर, शारीरिक रूप से सुसंगत सिंथेटिक इंट्राक्रैनील एन्यूरिज्म डेटासेट उत्पन्न करने के लिए फ्लो-मैचिंग और प्रक्रियात्मक विधियों को जोड़ता है, जिससे सेरेब्रोवैस्कुलर अनुसंधान में डीप लर्निंग मॉडल को प्रशिक्षित करने के लिए डेटा की कमी को दूर किया जा सके।
यह शोध पत्र डिकोडिंग टाइम वेरिफिकेशन (DTV) को प्रस्तुत करता है, जो एक ऐसा फ्रेमवर्क है जो त्रुटि प्रसार (error propagation) को रोकने के लिए कोड जनरेशन को स्ट्रक्चरल बाउंड्री चेक्स और वेरीफायर के साथ इंटरलीव करता है, जो पोस्ट-हॉक वेरिफिकेशन या सेल्फ-रिफाइनमेंट बेसलाइन्स की तुलना में ट्रांसलेशन सटीकता और टोकन दक्षता में महत्वपूर्ण सुधार करता है।
यह शोध पत्र एक हल्का (lightweight) कंडीशनल जेनेरेटिव एडवरसैरियल नेटवर्क (cGAN) प्रस्तुत करता है जो पार्टिकल ट्रैक्स और मोमेंटम के आधार पर यथार्थवादी फोटॉन हिट सैंपल्स उत्पन्न करके FARICH डिटेक्टर रिस्पॉन्स के सिमुलेशन को महत्वपूर्ण रूप से तेज करता है, जो सटीकता बनाए रखते हुए गति में पारंपरिक मोंटे कार्लो (Monte-Carlo) विधियों से बेहतर प्रदर्शन करता है।
TabKDE को कोपुला ट्रांसफॉर्मेशन (copula transformations) को कर्नेल डेंसिटी एस्टीमेट्स (kernel density estimates) के साथ जोड़कर सिंथेटिक सारणीबद्ध डेटा (synthetic tabular data) उत्पन्न करने के लिए एक अत्यधिक स्केलेबल और कुशल विधि पेश करता है, जो नगण्य प्रशिक्षण समय और भंडारण स्थान की आवश्यकता के साथ जटिल डीप लर्निंग मॉडलों के तुलनीय सटीकता प्राप्त करता है।
यह शोध पत्र एक हल्के, मॉडल-अज्ञेय (model-agnostic) अपडेट स्कीम का प्रस्ताव करके डेटा स्ट्रीम में कॉन्सेप्ट ड्रिफ्ट (concept drift) के तहत काउंटरफैक्चुअल स्पष्टीकरणों के अमान्य होने की समस्या को संबोधित करता है, जो मौजूदा स्पष्टीकरणों को पुन: उत्पन्न करने की तुलना में उन्हें अधिक कुशलता से सुधारता है, जिससे उनकी वैधता और तर्कसंगतता बनी रहती है।