24235 पेपर
यह शोध पत्र एक 'कन्जेक्चर-देन-वैलिडेट' (अनुमान-फिर-पुष्टि) ढांचे का प्रस्ताव करता है जो यह प्रदर्शित करता है कि लार्ज लैंग्वेज मॉडल्स सूक्ष्म, गैर-सहज शाब्दिक संकेतों को मानव-समझने योग्य भाषा संबंधी घटनाओं में अनुवादित कर सकते हैं जो अनुभवजन्य रूप से आधारित, सामान्यीकरण योग्य और पूर्व ज्ञान या इन-कॉन्टेक्स्ट लर्निंग की तुलना में भ्रामक समीक्षाओं के अधिक भविष्यवक्ता हैं।
यह शोध पत्र रेडियल कंपनसेशन (Radial Compensation) को प्रस्तुत करता है, जो रिमानियन मैनिफोल्ड्स (Riemannian manifolds) पर चार्ट-आधारित जनरेटिव मॉडल्स के लिए एक ऐसी विधि है जो टेंजेंट-स्पेस बेस डिस्ट्रीब्यूशन (tangent-space base distribution) को समायोजित करके जियोडेसिक रेडियस (geodesic radii) के सांख्यिकीय वितरण को संख्यात्मक कंडीशनिंग (numerical conditioning) से अलग करती है, जिससे चार्ट के चयन के बावजूद स्थिर प्रशिक्षण और व्याख्या योग्य कर्वेचर अनुमान सुनिश्चित होता है।
2025 नासा हेलियोलैब के हिस्से के रूप में, यह शोध पत्र एक क्यूरेटेड, ओपन-एक्सेस, मशीन लर्निंग-रेडी डेटासेट पेश करता है जो विभिन्न भू-चुंबकीय स्थितियों के तहत वर्टिकल टोटल इलेक्ट्रॉन कंटेंट (TEC) के बेहतर परिचालन पूर्वानुमान के लिए स्पैटियोटेम्पोरल मॉडलों को प्रशिक्षित करने और बेंचमार्क करने हेतु विविध सौर, हेलियोस्फेरिक और आयनोस्फेरिक मापों को एकीकृत करता है।
यह शोध पत्र एक अनुकूलित कपलान स्केलिंग लॉ (Kaplan scaling law) प्रस्तावित करता है जो इन्फरेंस को टेक्स्ट एनकोडिंग, डिनोइजिंग और डिकोडिंग घटकों में विभाजित करके डिफ्यूजन मॉडल्स के लिए GPU ऊर्जा खपत का सटीक अनुमान लगाता है, यह प्रदर्शित करते हुए कि डिनोइजिंग ऊर्जा उपयोग पर हावी है और टिकाऊ एआई नियोजन के लिए विश्वसनीय क्रॉस-आर्किटेक्चर अनुमान को सक्षम बनाता है।
यह शोध पत्र इष्टतम नियंत्रण (optimal control) के लिए एक एकीकृत KL-नियमित ढांचे (KL-regularized framework) को प्रस्तुत करता है जो सॉफ्ट-पॉलिसी सरोगेट्स (soft-policy surrogates) के माध्यम से शास्त्रीय और जोखिम-संवेदनशील उद्देश्यों का सामान्यीकरण करता है, जिन्हें मूल लक्ष्यों को पुनः प्राप्त करने के लिए पुनरावृत्त किया जा सकता है और एक सिंक्रोनाइज़्ड मामले में, रैखिक बेलमैन ऑपरेटरों और पाथ-इंटिग्रल समाधानों को उत्पन्न कर सकता है।
यह शोध पत्र FOAM को प्रस्तुत करता है, जो एक मेमोरी-कुशल ऑप्टिमाइज़र है जो रेसिडुअल करेक्शन के साथ ब्लॉक-वाइज ग्रेडिएंट मीन्स के माध्यम से ऑप्टिमाइज़र स्टेट्स को कंप्रेस करता है, जिससे वैनिला एडम (Adam) के समकक्ष कन्वर्जेंस रेट प्राप्त होता है और प्रदर्शन में गिरावट के बिना ऑप्टिमाइज़र मेमोरी ओवरहेड को 90% तक कम करने के साथ-साथ प्रशिक्षण को तेज़ करता है।
यह शोध पत्र सेल्फ-कंसिस्टेंट स्टोकेस्टिक इंटरपुलेंट (SCSI) को प्रस्तुत करता है, जो एक गणनात्मक रूप से कुशल और सैद्धांतिक रूप से सुदृढ़ विधि है जो केवल भ्रष्टाचार चैनल (corruption channel) तक ब्लैक-बॉक्स पहुंच का उपयोग करके, एक ट्रांसपोर्ट मैप को पुनरावृत्ति से सीखकर, दूषित अवलोकनों से स्वच्छ डेटा के लिए मॉडल उत्पन्न करती है।
यह शोध पत्र 'एसिंक्रोनस रीजनिंग' (Asynchronous Reasoning) नामक एक प्रशिक्षण-मुक्त विधि प्रस्तुत करता है जो पोजीशनल एम्बेडिंग्स का लाभ उठाकर एलएलएम (LLMs) को वास्तविक समय में एक साथ सोचने, सुनने और प्रतिक्रिया देने में सक्षम बनाती है, जिससे तर्क की सटीकता बनाए रखते हुए विलंबता (latency) में काफी कमी आती है।
यह शोध पत्र उच्च-क्रम एपिस्टेसिस (high-order epistasis) का पता लगाने के लिए एक कुशल विधि प्रस्तावित करता है, जो इस समस्या को एक ब्लैक-बॉक्स अनुकूलन कार्य के रूप में फ्रेम करता है जिसे क्वाड्रेटिक ऑप्टिमाइज़ेशन एनीलिंग (Quadratic Optimization Annealing) के साथ फैक्टरिज़ेशन मशीन (Factorization Machine) के माध्यम से हल किया जाता है, और MDR-आधारित वर्गीकरण त्रुटि दरों को ऑब्जेक्टिव फंक्शन के रूप में उपयोग करके उच्च कम्प्यूटेशनल दक्षता के साथ ग्राउंड-ट्रुथ इंटरैक्शन की सफलतापूर्वक पहचान करता है।
यह शोध पत्र एक हाइब्रिड फ्रेमवर्क प्रस्तावित करता है जो टेक्स्ट-कंडीशन्ड रिग्रेशन में त्रुटि कैस्केड (error cascades) और कम्प्यूटेशनल अक्षमताओं को संबोधित करने के लिए प्री-ट्रेंड एलएलएम (LLMs) को एक हल्के डिफ्यूजन-आधारित न्यूरल प्रोसेस के साथ जोड़ता है, जिसमें बेहतर-कैलिब्रेटेड और स्थानीय रूप से सुसंगत भविष्यवाणियां उत्पन्न करने के लिए एक नवीन ग्रेडिएंट-मुक्त सैंपलिंग पद्धति का उपयोग किया गया है।