24308 पेपर
यह शोधपत्र एक नवीन टाइम सीरीज़ मॉडलिंग दृष्टिकोण प्रस्तुत करता है जो ट्रांसफॉर्मर्स में गणनात्मक रूप से महंगे न्यूरल ओडीई (Neural ODEs) को एक क्लोज्ड-फॉर्म डैम्प्ड हार्मोनिक ऑसिलेटर फ्रेमवर्क से प्रतिस्थापित करता है, जिससे अटेंशन को एक रेजोनेंस घटना के रूप में मानकर अनियमित टाइम सीरीज़ का कुशल, स्केलेबल और सैद्धांतिक रूप से सुदृढ़ प्रबंधन सक्षम होता है।
यह शोध पत्र फेडरेटेड ग्रेंजर कॉज़ल लर्निंग (Federated Granger Causal Learning) के लिए एक अनिश्चितता-जागरूक ढांचे (uncertainty-aware framework) को प्रस्तुत करता है जो वितरित समय-श्रृंखला प्रणालियों में स्थिर-अवस्था अनिश्चितता प्रसार (steady-state uncertainty propagation) के लिए बंद-रूप अभिव्यक्तियों (closed-form expressions) को व्युत्पन्न करता है, जिससे वास्तविक क्रॉस-क्लाइंट इंटरैक्शन को स्प्यूरियस किनारों (spurious edges) से अलग करने के लिए सिद्धांत-आधारित परिकल्पना परीक्षण सक्षम होता है और मौजूदा नियतात्मक बेसलाइन (deterministic baselines) से बेहतर प्रदर्शन करता है।
यह शोध पत्र चुंबकीय नेविगेशन के लिए एक भौतिकी-जागरूक (physics-aware) न्यूरल नेटवर्क फ्रेमवर्क प्रस्तावित करता है जो विमान-प्रेरित चुंबकीय हस्तक्षेप को प्रभावी ढंग से शोर-मुक्त करने के लिए डाइवर्जेंस-फ्री बाधाओं और E(3)-इक्विवैरिएंस को एकीकृत करता है, जो यह प्रदर्शित करता है कि सिंथेटिक डेटा जनरेशन के साथ कॉन्टिफॉर्मर (Contiformer) आर्किटेक्चर शास्त्रीय और अनकन्स्ट्रेंड डीप लर्निंग दृष्टिकोणों की तुलना में काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र मल्टी-एजेंट सिस्टम के लिए एक डिस्ट्रीब्यूटेड क्वांटम गॉसियन प्रोसेस (DQGP) फ्रेमवर्क प्रस्तावित करता है जो उन्नत मॉडलिंग के लिए क्वांटम एम्बेडिंग का लाभ उठाता है और परिणामी गैर-यूक्लिडियन अनुकूलन समस्या को हल करने के लिए एक डिस्ट्रीब्यूटेड कंसेंसस रीमानियन ADMM एल्गोरिदम पेश करता है, जो क्वांटम सिमुलेशन के माध्यम से वास्तविक और सिंथेटिक डेटासेट पर इसकी प्रभावकारिता को प्रदर्शित करता है।
यह शोध पत्र GRAPHIC प्रस्तुत करता है, जो एक आर्किटेक्चर-अज्ञेय (architecture-agnostic) विधि है जो प्रशिक्षण प्रक्रिया के दौरान क्लास कन्फ्यूजन डायनेमिक्स, लीनियर सेपरेबिलिटी और डेटासेट संबंधी समस्याओं को व्यवस्थित रूप से विज़ुअलाइज़ और परिमाणित करने के लिए मध्यवर्ती न्यूरल नेटवर्क परतों से प्राप्त कन्फ्यूजन मैट्रिसेस पर नेटवर्क विज्ञान लागू करता है।
यह शोध पत्र स्पेस सिंटैक्स-गाइडेड पोस्ट-ट्रेनिंग (SSPT) का प्रस्ताव करता है, जो एक स्पेस सिंटैक्स इंटीग्रेशन ओरेकलल का लाभ उठाकर आवासीय फ्लोर प्लान जनरेटरों को परिष्कृत करने के लिए आउटपुट-साइड कॉन्फ़िगरेशनल फीडबैक प्रदान करता है, और यह प्रदर्शित करता है कि पुनरावृत्ति और सुदृढीकरण शिक्षण रणनीतियों के माध्यम से वास्तुशिल्प सिद्धांत प्रभावी रूप से उत्पन्न लेआउट के स्थानिक तर्क को बढ़ा सकता है।
यह अध्ययन प्रदर्शित करता है कि इलेक्ट्रोस्पिनिंग अनुसंधान में फीचर महत्व रैंकिंग अक्सर मॉडल-निर्भर और अविश्वसनीय होती है जब उन्हें एकल मशीन लर्निंग एल्गोरिदम से प्राप्त किया जाता है, जो समाधान सांद्रता जैसे मजबूत मापदंडों बनाम प्रवाह दर और वोल्टेज जैसे अस्थिर मापदंडों की पहचान करने के लिए SHAP मानों का उपयोग करके क्रॉस-मॉडल सत्यापन की आवश्यकता को रेखांकित करता है।
यह शोध पत्र एक कनवल्शनल वेरिएशनल डीप एम्बेडिंग (Conv-VaDE) मॉडल प्रस्तुत करता है जो पारंपरिक हार्ड क्लस्टरिंग के स्थान पर संभाव्य सॉफ्ट असाइनमेंट और जेनेरेटिव डिकोडिंग का उपयोग करके ईईजी (EEG) माइक्रोस्टेट डिस्कवरी की व्याख्यात्मकता और स्थिरता को बढ़ाता है, और यह व्यवस्थित आर्किटेक्चर खोज के माध्यम से प्रदर्शित करता है कि उच्च-गुणवत्ता वाले प्रतिनिधित्व प्राप्त करने के लिए नेटवर्क की गहराई और सघनता को अनुकूलित करना मॉडल के पैमाने की तुलना में अधिक महत्वपूर्ण है।
एक व्याख्यात्मक न्यूरल नेटवर्क मॉडल का उपयोग करते हुए, यह अध्ययन प्रदर्शित करता है कि निरंतर अमेज़ॅन वनों की कटाई वर्षा के पैटर्न में तीव्र, असममित पुनर्गठन को प्रेरित करती है—जिसकी विशेषता भारी वर्षा में तीव्र गिरावट, हल्की वर्षा में वृद्धि और थ्रेशोल्ड-संचालित हाइड्रोलॉजिकल व्यवधान है—जिससे इस क्षेत्र के भूमि-वायुमंडल युग्मन (land-atmosphere coupling) में पहले से कम आकलित कमजोरियां उजागर होती हैं।
यह शोध पत्र निम्न और मध्यम आय वाले देशों में जलवायु-संवेदनशील रोगों और बाल कुपोषण के लिए स्केलेबल भविष्यवक्ताओं के रूप में अल्फाअर्थ (AlphaEarth) के 64-आयामी उपग्रह एम्बेडिंग की उपयोगिता का मूल्यांकन करता है, जो मलेरिया और श्वसन संक्रमणों के पूर्वानुमान में महत्वपूर्ण सुधार प्रदर्शित करता है और उन डेटा सीमाओं को रेखांकित करता है जो वर्तमान में क्लस्टर स्तर पर स्टंटिंग (बौनापन) मॉडलिंग को बाधित करती हैं।