24235 पेपर
McCast एक मेमोरी-गाइडेड लेटेंट ड्रिफ्ट करेक्शन फ्रेमवर्क है जो ऑटोरिग्रेसिव प्रेडिक्शन्स को सक्रिय रूप से कैलिब्रेट करने के लिए एक ड्रिफ्ट-करेक्टिव मेमोरी बैंक का उपयोग करता है, जिससे मौजूदा स्टेट-ऑफ-द-आर्ट विधियों की तुलना में लॉन्ग-होरिज़न प्रेसिपिटेशन नाउकास्टिंग की टेम्पोरल कोहेरेंस और विश्वसनीयता में महत्वपूर्ण सुधार होता है।
यह शोध पत्र एक नवीन हाइब्रिड टकर-एलएसटीएम (Tucker-LSTM) टेंसर मॉडल प्रस्तावित करता है जो टेम्पोरल स्ट्रक्चर को संरक्षित करते हुए फुल-लाइफसाइकिल ईवी (EV) फील्ड डेटा की आयामीता (dimensionality) को कम करने के लिए टकर डिकंपोजिशन का लाभ उठाता है, जिससे पारंपरिक विधियों की तुलना में एमएसई (MSE) में 70.5% की कमी के साथ स्टेट ऑफ चार्ज (State of Charge) भविष्यवाणी की सटीकता में काफी बेहतर परिणाम प्राप्त होते हैं।
यह शोध पत्र "स्विचिंग सक्सेसर मेजर्स" (switching successor measures) और FB -Switch एल्गोरिदम को पेश करता है ताकि निश्चित टेम्पोरल एब्स्ट्रैक्शन, मैन्युअल रूप से डिज़ाइन किए गए सबगोल्स, या अतिरिक्त पर्यवेक्षण पर निर्भर किए बिना सामान्य रिवॉर्ड फंक्शन्स के लिए पदानुक्रमित ज़ीरो-शॉट सुदृढीकरण लर्निंग (hierarchical zero-shot reinforcement learning) को सक्षम किया जा सके।
यह शोध पत्र जनरलाइज्ड एडवांटेज ग्रुपड पॉलिसी ऑप्टिमाइजेशन (GAGPO) का प्रस्ताव करता है, जो एक क्रिटिक-फ्री सुदृढीकरण लर्निंग (reinforcement learning) विधि है जो सैंपल्ड रोलआउट्स से नॉन-पैरामीट्रिक ग्रुपड वैल्यू प्रॉक्सीज़ का निर्माण करके मल्टी-टर्न लैंग्वेज मॉडल एजेंट्स में सटीक, स्टेप-अलाइन्ड टेम्पोरल क्रेडिट असाइनमेंट को सक्षम बनाती है, जिससे यह ALFWorld और WebShop जैसे वातावरणों में मौजूदा बेसलाइन्स से बेहतर प्रदर्शन करती है।
यह शोध पत्र एक मशीन लर्निंग-संचालित मल्टीमॉडल लिक्विड बायोप्सी फ्रेमवर्क प्रस्तुत करता है जो स्तन और कोलोरेक्टल कैंसरों का अत्यधिक सटीक, लेबल-मुक्त शीघ्र पता लगाने के लिए FTIR, रमन और EEM फ्लोरोसेंस स्पेक्ट्रोस्कोपी को एकीकृत करता है, जिसके ROC-AUC स्कोर क्रमशः 0.997 और 0.994 हैं।
यह शोध पत्र एक एजेंटिक एआई फ्रेमवर्क प्रस्तावित करता है जो क्लाउड मैन्युफैक्चरिंग में युग्मित यूएवी (UAV) रूटिंग और मोबाइल एज कंप्यूटिंग टास्क शेड्यूलिंग समस्या को तैयार करने और हल करने के लिए चेन-ऑफ-थॉट रीजनिंग के साथ लार्ज लैंग्वेज मॉडल्स को जोड़ता है, जिसमें एक पदानुक्रमित डीप रीइन्फोर्समेंट लर्निंग दृष्टिकोण का उपयोग किया गया है जो लगभग पूर्ण उत्पाद संग्रह और समय सीमा संतुष्टि दर प्राप्त करता है।
यह शोध पत्र व्यापक प्रयोगों के माध्यम से यह प्रदर्शित करता है कि द्विभाषी प्री-ट्रेनिंग के दौरान उच्च-संसाधन वाले सहायक डेटा को मिलाना, कम-संसाधन वाली भाषा मॉडलों के लिए आक्रामक हाइपरपैरामीटर ट्यूनिंग की तुलना में काफी बेहतर प्रदर्शन करता है, जो अद्वितीय लक्ष्य डेटा के कई गुना के बराबर प्रदर्शन लाभ प्रदान करता है और यह भी प्रकट करता है कि लक्ष्य-भाषा सत्यापन हानि (validation loss) इन लाभों का व्यवस्थित रूप से कम आकलन करती है।
यह शोध पत्र फिज़िक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) और उनके वेरिएशनल समकक्षों (VPINNs) के लिए एक एकीकृत सामान्यीकरण ढांचा प्रस्तुत करता है जो बिना किसी प्रतिबंधात्मक धारणा के सीमाएं (bounds) प्राप्त करने के लिए टेलर विस्तार और कूपमैन-आधारित विश्लेषण का उपयोग करता है, जिससे यह प्रकट होता है कि कैसे उच्च-रैंक वाले नेटवर्क अच्छी तरह से सामान्यीकरण करते हैं जबकि अवकल ऑपरेटरों (differential operators) की गैर-रैखिकता सामान्यीकरण त्रुटि को तेजी से बढ़ा देती है।
यह शोध पत्र Chem-GMNet प्रस्तुत करता है, जो एक नवीन स्फीयर-नेटिव (sphere-native) ज्यामितीय ट्रांसफार्मर है जो मानक ट्रांसफार्मर मॉड्यूल को गोलाकार समकक्षों से प्रतिस्थापित करता है ताकि MoleculeNet बेंचमार्क पर आणविक गुण भविष्यवाणी के लिए अत्याधुनिक प्रदर्शन प्राप्त किया जा सके, जो अक्सर काफी कम मापदंडों और बिना प्रीट्रेनिंग के बड़े पैमाने के प्रीट्रेन्ड SMILES-आधारित मॉडलों से बेहतर प्रदर्शन करता है।
लाइटस्प्लिट (LightSplit) एक व्यावहारिक गोपनीयता-संरक्षण स्प्लिट लर्निंग फ्रेमवर्क है जो कट लेयर पर हल्के, फिक्स्ड ऑर्थोगोनल रैंडम प्रोजेक्शन का उपयोग करता है ताकि संचार ओवरहेड को 32 गुना तक कम करने और एक सूचना बाधा (इन्फॉर्मेशन बॉटलनेक) के रूप में कार्य करके पुनर्निर्माण हमलों (रिकंस्ट्रक्शन अटैक्स) को कम करने के साथ-साथ, क्लाइंट डिवाइस पर अतिरिक्त प्रशिक्षण योग्य घटकों की आवश्यकता के बिना बेसलाइन सटीकता के 95% से अधिक को बनाए रखा जा सके।