24235 पेपर
यह शोध पत्र MANGO को प्रस्तुत करता है, जो एक डेटा-संचालित ढांचा है जो मल्टी-एजेंट सहयोग को अनुकूलित करने के लिए एक फ्लो नेटवर्क के भीतर सुदृढीकरण शिक्षण (रिनफोर्समेंट लर्निंग) और टेक्स्टुअल ग्रेडिएंट्स का लाभ उठाता है, जो प्रभावी रूप से त्रुटि प्रसार को कम करता है और विभिन्न बेंचमार्क में महत्वपूर्ण प्रदर्शन और दक्षता लाभ प्राप्त करता है।
यह शोध पत्र AutoSelection को प्रस्तुत करता है, जो एक नया ढांचा है जो सुपरवाइज्ड फाइन-ट्यूनिंग डेटा चयन को एक फिक्स्ड-पूल रेसिपी सर्च समस्या के रूप में पुनर्गठित करता है, जो नए नमूनों को उत्पन्न किए बिना एक कच्चे निर्देश पूल से इष्टतम क्यूरेशन रेसिपी खोजने के लिए एक टू-लेयर सॉल्वर का उपयोग करता है, जिससे यह कई मॉडलों और कार्यों में पारंपरिक इंस्टेंस रैंकिंग और फुल-डेटा ट्रेनिंग से बेहतर प्रदर्शन करता है।
यह शोध पत्र GSEC का प्रस्ताव करता है, जो एक नवीन इमेज क्लस्टरिंग फ्रेमवर्क है जो जनरेटिव सिमेंटिक गाइडेंस के लिए मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स और बायस (bias) एवं वेरिएंस (variance) को एक साथ कम करने के लिए एक बाई-लेयर एनसेंबल रणनीति का लाभ उठाता है, जो छह बेंचमार्क डेटासेट्स पर 18 अत्याधुनिक (state-of-the-art) विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र U-HNO का प्रस्ताव करता है, जो एक U-आकार का हाइब्रिड न्यूरल ऑपरेटर है जिसमें स्पार्स-पॉइंट एडेप्टिव रूटिंग (SPAR) की विशेषता है जो स्थानीय कंट्रास्ट के आधार पर वैश्विक फूरियर और स्थानीय मल्टी-स्केल गॉसियन शाखाओं के बीच गतिशील रूप से चयन करता है, जिससे विविध बेंचमार्क में सुचारू और तीक्ष्ण विशेषताओं वाले गैर-स्थिर PDEs को हल करने में अत्याधुनिक सटीकता प्राप्त होती है।
यह शोध पत्र प्रोटोकॉल-ड्रिवन डेवलपमेंट (PDD) को प्रस्तुत करता है, जो स्वचालित सॉफ्टवेयर इंजीनियरिंग के लिए एक शासन मॉडल है जो क्षणिक कोड के बजाय संरचनात्मक, व्यवहारिक और परिचालन अपरिवर्तनीयताओं (invariants) को परिभाषित करने वाले मशीन-प्रवर्तनीय प्रोटोकॉल को प्राथमिकता देता है, यह सुनिश्चित करते हुए कि उत्पन्न कार्यान्वयनों को जनरेटर में विश्वास के बजाय प्रोटोकॉल अनुपालन के सत्यापन योग्य साक्ष्य के माध्यम से ही स्वीकार किया जाए।
यह शोध पत्र यूनिफॉर्म से लेकर अनिश्चित (arbitrary) प्रोडक्ट डिस्ट्रीब्यूशंस तक टॉप-डाउन ग्रीडी डिसीजन ट्री ह्यूरिस्टिक के सैद्धांतिक विश्लेषण का विस्तार करता है, जो यह सिद्ध करता है कि यह द्वारा सीमित आकार वाले एक -एप्रोक्सिमेटिंग ट्री का निर्माण करता है और साथ ही एक व्यावहारिक, पैरामीटर-मुक्त एल्गोरिदम प्रदान करता है जो पिछले परिणामों में सुधार करता है।
यह शोध पत्र इस प्रचलित दृष्टिकोण को चुनौती देता है कि RLHF-प्रेरित चापलूसी (sycophancy) ही मल्टी-एजेंट LLMs के साथियों के दबाव में आकर गलत उत्तरों की ओर मुड़ने का प्राथमिक कारण है, और इसके बजाय यह प्रदर्शित करता है कि प्रीट्रेन्ड बेस मॉडल भी एक विशिष्ट मिड-लेयर अटेंशन मैकेनिज्म के कारण समान कमजोरियों को प्रदर्शित करते हैं जो स्पष्ट तर्क (clean reasoning) को दबा देता है, जिससे यह तर्क मिलता है कि प्रभावी शमन रणनीति के रूप में प्रॉम्प्ट-स्तरीय सुरक्षा के बजाय पाइपलाइन-स्तरीय संरचित असहमति (structured dissent) अपनानी चाहिए।
यह शोध पत्र DP-Muon प्रस्तुत करता है, जो एक डिफरेंशियल प्राइवेट ऑप्टिमाइज़र है जो मैट्रिक्स-वैल्यूड मोमेंटम और न्यूटन-शुल्ज़ ऑर्थोगोनालाइज़ेशन को कठोर गोपनीयता गारंटी के साथ एकीकृत करता है, और एक बायस-करेक्टेड वेरिएंट (DP-MuocBC) प्रस्तावित करता है जो गोपनीयता बजट बढ़ाए बिना प्राइवेट फाइन-ट्यूनिंग में उपयोगिता (utility) में महत्वपूर्ण सुधार करता है।
यह शोध पत्र एक परिवर्तनशील-गुणांक तरंग समीकरण (variable-coefficient wave equation) में संरचित वितरण बदलावों (structured distribution shifts) के तहत फूरियर न्यूरल ऑपरेटर्स (FNO) और डीपओनेट्स (DeepONets) की सामान्यीकरण क्षमताओं की जांच करता है, जिससे यह पता चलता है कि जबकि दोनों मॉडल गुणांक सुगमता बदलावों (coefficient smoothness shifts) को अच्छी तरह से संभालते हैं, वे विशिष्ट आवृत्ति पूर्वाग्रह (frequency biases) प्रदर्शित करते हैं जहाँ FNO अनदेखी उच्च आवृत्तियों के साथ संघर्ष करता है और DeepONet अधिक समग्र त्रुटि के बावजूद अधिक हल्के रूप में गिरावट दर्शाता है।
यह शोधपत्र DRIFT प्रस्तुत करता है, जो एक टास्क-फ्री कंटीन्यूअस ग्राफ लर्निंग बेंचमार्क है जो एक एकीकृत टाइम-वेरिंग मिश्रण फॉर्मूलेशन के माध्यम से निरंतर वितरण परिवर्तनों को मॉडल करता है, जिससे यह पता चलता है कि डिस्क्रीट टास्क बाउंड्रीज़ पर निर्भर मौजूदा विधियाँ वास्तविक गैर-स्थिर वातावरणों में प्रदर्शन में महत्वपूर्ण गिरावट का सामना करती हैं।