cs.LG

Slower Generalization, Faster Memorization: A Sweet Spot in Algorithmic Learning

यह शोधपत्र प्रदर्शित करता है कि नीडलमैन-वुन्श मैट्रिक्स जनरेशन जैसे स्ट्रक्चर्ड-आउटपुट कार्यों में, एक मध्यवर्ती डेटासेट आकार मौजूद है जो वैलिडेशन कन्वर्जेंस की गति को अनुकूलित करता है, जो एक ऐसे विचलन को प्रकट करता है जहाँ बड़े डेटासेट प्रशिक्षण स्मृति (मेमोराइजेशन) को तो तेज करते हैं लेकिन विरोधाभासी रूप से एक "स्वीट स्पॉट" आकार की तुलना में सामान्यीकरण (जनरलाइजेशन) को धीमा कर देते हैं।

AQKA: Active Quantum Kernel Acquisition Under a Shot Budget

यह शोध पत्र AQKA को प्रस्तुत करता है, जो एक सक्रिय क्वांटम कर्नेल अधिग्रहण (active quantum kernel acquisition) हेतु एक नवीन ढांचा है, जो एक क्लोज्ड-फॉर्म, पेयर-लेवल अधिग्रहण सिद्धांत को व्युत्पन्न करके और सिम्युलेटेड एवं वास्तविक IBM क्वांटम हार्डवेयर दोनों पर मौजूदा यूनिफॉर्म और सब-सैंपलिंग विधियों की तुलना में बेहतर वर्गीकरण प्रदर्शन प्रदर्शित करके बजट बाधाओं के तहत शॉट आवंटन को अनुकूलित करता है।

Spontaneous symmetry breaking and Goldstone modes for deep information propagation

NeuroAtlas: Benchmarking Foundation Models for Clinical EEG and Brain-Computer Interfaces

यह शोध पत्र NeuroAtlas को पेश करता है, जो 42 डेटासेट और 260k घंटों के डेटा वाला अब तक का सबसे बड़ा EEG बेंचमार्क है, यह प्रदर्शित करने के लिए कि वर्तमान फाउंडेशन मॉडल अभी भी नैदानिक अनुप्रयोगों में सुपरवाइज्ड बेसलाइन या जेनेरिक टाइम-सीरीज मॉडल्स से लगातार बेहतर प्रदर्शन नहीं करते हैं, जो मानक मशीन लर्निंग स्कोर के बजाय विशिष्ट नैदानिक मूल्यांकन मेट्रिक्स की महत्वपूर्ण आवश्यकता को रेखांकित करता है।

AnchorRoute: Human Motion Synthesis with Interval-Routed Sparse Contro

AnchorRoute एक मानव गति संश्लेषण ढांचा (human motion synthesis framework) है जो उच्च गुणवत्ता वाले सृजन के लिए एक फ्रोजन डिफ्यूजन प्रायर (frozen diffusion prior) को कंडिशन करने हेतु एक एकीकृत स्कैफोल्ड के रूप में स्पार्स एंकर्स (sparse anchors) का लाभ उठाता है और तत्पश्चात एक RouteSolver के माध्यम से आउटपुट को परिष्कृत करता है जो सुधारों को एंकर-निर्धारित अंतराल आधारों (anchor-defined interval bases) पर प्रोजेक्ट करता है, जिससे टेक्स्ट-मोशन फिडेलिटी को बनाए रखते हुए उपयोगकर्ता-निर्दिष्ट स्थानिक बाधाओं के प्रति बेहतर अनुपालन प्राप्त किया जाता है।

Agentifying Patient Dynamics within LLMs through Interacting with Clinical World Model

यह शोध पत्र SepsisAgent को प्रस्तुत करता है, जो एक वर्ल्ड मॉडल-संवर्धित (world model-augmented) LLM है जिसे रोगी की प्रतिक्रियाओं को सिम्युलेट करने और उपचार संबंधी निर्णयों को पुनरावृत्ति से परिष्कृत करने के लिए एक तीन-चरणीय पाठ्यक्रम (three-stage curriculum) के माध्यम से प्रशिक्षित किया गया है, जो पारंपरिक RL और LLM बेसलाइन की तुलना में सेप्सिस प्रबंधन में बेहतर सुरक्षा और प्रदर्शन प्रदर्शित करता है।

TAPIOCA: Why Task- Aware Pruning Improves OOD model Capability

यह शोधपत्र यह प्रदर्शित करता है कि टास्क-अवेयर प्रूनिंग (task-aware pruning), उन परतों को हटाकर जो आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) इनपुट्स में ज्यामितीय विकृतियों (geometric distortions) को बढ़ाती हैं, मॉडल के आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) प्रदर्शन में सुधार करती है, जिससे उनके रिप्रजेंटेशन को इन-डिस्ट्रीब्यूशन डेटा पर स्थापित मॉडल के टास्क-एडेप्टेड ज्योमेट्री के साथ पुनः संरेखित किया जा सके।

Video2GUI: Synthesizing Large-Scale Interaction Trajectories for Generalized GUI Agent Pretraining

यह शोध पत्र Video2GUI को प्रस्तुत करता है, जो एक स्वचालित ढांचा (framework) है जो डेटा की कमी को दूर करने और मल्टीमॉडल GUI एजेंटों के सामान्यीकरण प्रदर्शन (generalization performance) को महत्वपूर्ण रूप से बढ़ाने के लिए अनलेबल इंटरनेट वीडियो से 12 मिलियन GUI इंटरेक्शन प्रक्षेपवक्रों (trajectories) का एक बड़े पैमाने पर डेटासेट संश्लेषित करता है।

BioHuman: Learning Biomechanical Human Representations from Video

यह शोध पत्र बायोह्यूमन (BioHuman) को प्रस्तुत करता है, जो नए निर्मित बायोह्यूमन10एम (BioHuman10M) डेटासेट पर प्रशिक्षित एक एंड-टू-एंड मॉडल है, जो एकल कैमरा वीडियो (monocular video) से सीधे आंतरिक मांसपेशी सक्रियण और मानव गति का अनुमान लगाने के लिए, पुनर्वास और चोट के मूल्यांकन के अनुप्रयोगों हेतु दृश्य अवलोकनों और बायोमैकेनिकल अवस्थाओं के बीच के अंतर को पाटता है।

Peng's Q($\lambda$) for Conservative Value Estimation in Offline Reinforcement Learning

यह शोध पत्र कंजर्वेटिव पेंग्स क्यू($\lambda$) (CPQL) को प्रस्तुत करता है, जो एक मॉडल-फ्री ऑफलाइन मल्टी-स्टेप सुदृढीकरण शिक्षण एल्गोरिदम है जो निहित व्यवहार नियमितीकरण और निकट-इष्टतम प्रदर्शन प्राप्त करने के लिए एक कंजर्वेटिव पेंग्स क्यू($\lambda$) ऑपरेटर का लाभ उठाता है, जो D4RL बेंचमार्क पर मौजूदा सिंगल-स्टेप बेसलाइनों से काफी बेहतर प्रदर्शन करता है और साथ ही ऑफलाइन-टू-ऑनलाइन लर्निंग फ्रेमवर्क को भी बढ़ाता है।