24235 पेपर
यह शोध पत्र WarmPrior को प्रस्तुत करता है, जो हालिया एक्शन हिस्ट्री से प्राप्त एक टेम्पोरली ग्राउंडेड प्रायर (temporally grounded prior) है, जो फ्लो-मैचिंग पॉलिसियों में मानक गॉसियन सोर्स (standard Gaussian source) को प्रतिस्थापित करता है ताकि अधिक सीधे संभाव्यता पथ (probability paths) उत्पन्न किए जा सकें, जिससे रोबोटिक मैनिपुलेशन कार्यों में सफलता दर, सैंपल दक्षता और अन्वेषण में निरंतर सुधार होता है।
यह शोध पत्र एक व्यापक एंड-टू-एंड ऊर्जा लेखांकन ढांचे (energy accounting framework) को प्रस्तुत करता है जो LLM डिस्टिलेशन में टीचर-साइड वर्कलोड की अक्सर अनदेखी की जाने वाली संसाधन लागतों को प्रकट करता है, जिससे ऊर्जा-गुणवत्ता ट्रेड-ऑफ कर्व्स और कुशल डिस्टिलेशन विधियों के चयन के लिए व्यावहारिक दिशा-निर्देशों का निर्माण संभव हो पाता है।
यह शोध पत्र NeTMY को प्रस्तुत करता है, जो एक अमोर्टाइजेशन-मुक्त (amortization-free) कोऑर्डिनेट न्यूरल फील्ड फ्रेमवर्क है, जो स्केलर फॉरवर्ड एप्रोक्सिमेशन के स्थान पर एक सुधारात्मक टेंसर ऑपरेटर का उपयोग करके और बेहतर स्पार्स सोर्स लोकलाइजेशन प्राप्त करने के लिए विशिष्ट अनुकूलन रणनीतियों को नियोजित करके NV-सेंटर मैग्नेटिक नॉइज़ सेंसिंग में सेंटर-कोलैप्स विफलताओं को दूर करता है।
यह शोध पत्र HodgeCover को प्रस्तुत करता है, जो एक लर्निंग-फ्री संपीड़न (compression) विधि है जो स्पार्स मिक्सचर-ऑफ-एक्सपर्ट्स (Sparse Mixture-of-Experts) के लिए है, जो एक सिम्पलीशियल लैपलेसियन (simplicial Laplacian) के हॉज डीकंपोजिशन (Hodge decomposition) का लाभ उठाकर पेयरवाइज कम्पैटिबिलिटी (pairwise compatibility) की सीमाओं को दूर करता है ताकि इरिड्यूसिबल एक्सपर्ट साइकिल्स (irreducible expert cycles) की पहचान और समाधान किया जा सके, जिससे आक्रामक संपीड़न व्यवस्थाओं (aggressive compression regimes) में बेहतर प्रदर्शन प्राप्त होता है।
यह शोध पत्र एक ओपन-सोर्स जूलिया फ्रेमवर्क पेश करता है जो जंप हिडन मार्कोव मॉडल, रिजीम-डिपेंडेंट हेस्टन डायनेमिक्स और न्यूरल-सरोगेट-कैलिब्रेटेड बाइनोमियल लैट्टिस के संयोजन वाले एक स्ट्रक्चरल पाइपलाइन के माध्यम से यथार्थवादी अमेरिकन ऑप्शन प्राइसेज और इम्प्लाइड वोलेटिलिटी सर्फेस उत्पन्न करके सिंथेटिक ऑप्शन प्राइसिंग में चक्रीय निर्भरता को तोड़ता है।
यह शोध पत्र प्रदर्शित करता है कि डिस्क्रीट डिफ्यूजन मॉडल उस डेटा के संरचनात्मक वैधता (सपोर्ट) को सीखते हैं, जिसके बाद वे उस सपोर्ट के भीतर विशिष्ट आवृत्तियों को परिष्कृत करते हैं, जो एक पदानुक्रमित शिक्षण प्रक्रिया को प्रकट करता है जहाँ सूक्ष्म आवृत्ति विवरणों से पहले स्थूल सपोर्ट जानकारी उभरती है।
Dywave एक नवीन डायनेमिक टोकनाइजेशन फ्रेमवर्क है जो हेट्रोजेनियस IoT सेंसिंग सिग्नल्स के लिए वेवलेट-आधारित पदानुक्रमित अपघटन (hierarchical decomposition) का लाभ उठाता है ताकि इनपुट रिप्रजेंटेशन को अंतर्निहित टेम्पोरल इवेंट्स के साथ संरेखित किया जा सके, जिससे अत्याधुनिक विधियों की तुलना में सटीकता और कम्प्यूटेशनल दक्षता में महत्वपूर्ण सुधार प्राप्त होता है।
यह शोध पत्र यह स्थापित करता है कि स्टोकेस्टिक ऑप्टिमाइज़ेशन में अपेक्षित रिग्रेट (expected regret) को अनिश्चित मापदंडों और इष्टतम निर्णयों के बीच सहप्रसरण (covariance) के रूप में सटीक रूप से अभिलक्षित किया जा सकता है (रैखिक और अनकन्स्ट्रेंड क्वाड्रेटिक प्रोग्राम्स के लिए शून्य अवशेष के साथ), जो पारंपरिक सिमुलेशन-आधारित दृष्टिकोणों की उच्च लागत से बचते हुए एक सिंगल-पास, गणनात्मक रूप से कुशल अनुमान पद्धति को सक्षम बनाता है।
यह अध्ययन प्रदर्शित करता है कि सीमित डेटा के साथ सूक्ष्म-स्तरीय बायोअकौस्टिक प्रजाति वर्गीकरण (fine-grained bioacoustic species classification) के लिए, बड़े पैमाने के सामान्य ऑडियो डेटासेट पर प्रीट्रेनिंग करना, अतिरिक्त डोमेन-विशिष्ट मास्क्ड ऑटोएनकोडर प्रीट्रेनिंग या चयनात्मक डेटा फ़िल्टरिंग की तुलना में बेहतर प्रदर्शन प्रदान करता है, जो यह दर्शाता है कि ऐसी स्थितियों में प्रीट्रेनिंग का पैमाना (scale) ऑब्जेक्टिव डिज़ाइन की तुलना में अधिक महत्वपूर्ण है।
यह शोध पत्र एक परिमित शीफ-सैद्धांतिक (sheaf-theoretic) ढांचे का प्रस्ताव करता है जो मौजूदा भाषा के भीतर वैध विरूपणों और नए प्रतिमानों में आवश्यक विस्तारों के बीच अंतर करने के लिए प्रतिनिधित्व परिवहन विफलताओं (representational transport failures) और अवरोध लागतों (obstruction costs) को परिमाणित करके एआई एजेंटों में वैज्ञानिक सिद्धांत परिवर्तनों का पता लगाता है।