24308 पेपर
यह शोध पत्र एल्गोरिद्मिक रिसोर्स (algorithmic recourse) के लिए एक कारण संबंधी ढांचे (causal framework) को प्रस्तुत करता है जो आंशिक स्थिरता के साथ पूर्व- और पश्चात-हस्तक्षेप परिणामों पर एक प्रक्रिया के रूप में रिसोर्स को मॉडल करता है, जो अवलोकन संबंधी या युग्मित रिसोर्स डेटा से रिसोर्स प्रभावों का अनुमान लगाने के लिए कोपुला-आधारित (copula-based) और वितरण-मुक्त (distribution-free) दोनों विधियों की पेशकश करता है।
यह शोध पत्र स्पेशियल एडेप्टर (Spatial Adapter) को प्रस्तुत करता है, जो एक पैरामीटर-कुशल पोस्ट-हॉक लेयर है जो फ्रोजन प्रेडिक्टर्स (frozen predictors) को एक क्लोज्ड-फॉर्म कोवेरिएंस एस्टीमेटर के माध्यम से उनके अवशेषों (residuals) के एक संरचित स्थानिक प्रतिनिधित्व से सुसज्जित करता है, जिससे मूल मॉडल में संशोधन किए बिना क्रिगिंग-शैली (kriging-style) की भविष्यवाणी और अनिश्चितता परिमाणीकरण सक्षम होता है।
यह शोध पत्र यह प्रदर्शित करता है कि आर्किटेक्चरल या ट्रेनिंग रेसिपी में बदलाव किए बिना, केवल कठोर डेटा क्यूरेशन (data curation) के माध्यम से, विविध बेंचमार्क और क्षमताओं में विजन-लैंग्वेज मॉडल के प्रदर्शन को महत्वपूर्ण रूप से बढ़ाया जा सकता है, जो 150 गुना कम ट्रेनिंग कंप्यूट के साथ भी फ्रंटियर सटीकता प्राप्त करता है और साथ ही विश्वसनीयता, सामान्यीकरण (generalization) तथा इन्फरेंस दक्षता में भी सुधार करता है।
यह शोध पत्र जेनेरेटिव डिफ्यूजन प्रायर डिस्टिलेशन (GDPD) का प्रस्ताव करता है, जो एक नवीन नॉलेज डिस्टिलेशन फ्रेमवर्क है जो एक डिफ्यूजन-आधारित जेनेरेटिव प्रायर का लाभ उठाकर आंशिक टाइम-सीरीज स्टूडेंट फीचर्स को पूर्ण-अनुक्रम (full-sequence) टीचर रिप्रेजेंटेशन्स के साथ प्रगतिशील रूप से संरेखित करता है, जिससे सीमित इनपुट डेटा के कारण उत्पन्न होने वाले जनरलाइजेशन गैप्स को दूर करने के लिए लॉन्ग-कॉन्टेक्स्ट नॉलेज को प्रभावी ढंग से स्थानांतरित किया जा सके।
यह शोध पत्र कागल (Kaggle) और भारतीय डेटासेट को संयोजित करके, इमेज आकार की परिवर्तनशीलता को संबोधित करने के लिए डाउनस्केलिंग एल्गोरिदम को लागू करके, और अत्याधुनिक सटीकता, विशिष्टता और संवेदनशीलता प्राप्त करने के लिए एक अद्वितीय प्रीप्रोसेसिंग के साथ एक कस्टम मल्टी-चैनल इनसेप्शन V3 (Multi-Channel Inception V3) आर्किटेक्चर का उपयोग करके डायबिटिक रेटिनोपैथी को पांच गंभीरता चरणों में वर्गीकृत करने के लिए एक नवीन दृष्टिकोण प्रस्तावित करता है।
यह शोध पत्र मल्टी-एजेंट एलएलएम (LLM) संचार टोपोलॉजी के लिए एक संरचनात्मक नैदानिक ढांचे को प्रस्तुत करता है जो व्यवधान सुदृढ़ता (perturbation robustness), सर्वसम्मति गतिशीलता (consensus dynamics) और संचयी त्रुटि संचय (cumulative error accumulation) जैसे सिस्टम व्यवहारों की भविष्यवाणी करने और उन्हें रैंक करने के लिए सक्सेसर रिप्रेजेंटेशन मैट्रिक्स के स्पेक्ट्रल गुणों का लाभ उठाता है।
यह शोध पत्र 'पेस-एंड-पाथ करेक्शन' (Pace-and-Path Correction) को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त (training-free), क्लोज्ड-फॉर्म इन्फरेंस-टाइम ऑपरेटर है जो एक्शन समायोजन को पेस और पाथ चैनलों में विभाजित करके विजन-लैंग्वेज-एक्शन मॉडल्स की टेम्पोरल डायनेमिक्स ब्लाइंडनेस को हल करता है, जिससे बिना पुन: प्रशिक्षण के गतिशील वातावरणों में सफलता दर में महत्वपूर्ण सुधार होता है।
यह शोध पत्र ProFIL को प्रस्तुत करता है, जो एक प्रोब-फ़िल्टर्ड सुदृढीकरण शिक्षण (reinforcement learning) विधि है जो GRPO प्रशिक्षण के दौरान प्रतिबद्धता के पश्चात होने वाले "रीज़निंग थिएटर" (reasoning theater) का पता लगाने और उसे दंडित करने के लिए एक फ्रोजन मॉडल पर एक हल्का अटेंशन प्रोब प्रशिक्षित करता है, जिससे कार्य की सटीकता से समझौता किए बिना श्रृंखला की लंबाई में उल्लेखनीय कमी आती है और तर्क की निष्ठा (reasoning faithfulness) बढ़ती है।
यह शोध पत्र यह सिद्ध करके कि सामान्य निरंतर परिवेश में KL सन्निकटन (approximation) NP-hard है, मैट्रिक्स प्रोडक्ट ऑपरेटर बॉर्न मशीनों की सैद्धांतिक सीमाओं को स्थापित करता है, जबकि यह प्रदर्शित करता है कि विशिष्ट स्थानीयता और स्पेक्ट्रल-गैप स्थितियों के तहत, संरचित लक्ष्यों को स्कोर-आधारित वेरिएशनल इन्फरेंस के माध्यम से बहुपद बॉन्ड आयामों (polynomial bond dimensions) और प्रमाणित गारंटियों के साथ कुशल सन्निकटन प्राप्त होते हैं।
यह शोध पत्र एफिशिएंट एडजॉइंट मैचिंग (EAM) को प्रस्तुत करता है, जो एक ऐसी विधि है जो लीनियर बेस ड्रिफ्ट और संशोधित टर्मिनल कॉस्ट के साथ अंतर्निहित स्टोकेस्टिक ऑप्टिमल कंट्रोल समस्या को पुनर्गठित करके डिफ्यूजन मॉडल के लिए रिवॉर्ड फाइन-ट्यूनिंग को महत्वपूर्ण रूप से त्वरित करती है, जिससे महंगी बैकवर्ड एडजॉइंट सिमुलेशन को समाप्त किया जा सकता है और मानक टेक्स्ट-टू-इमेज बेंचमार्क पर प्रदर्शन को बनाए रखते हुए या सुधारते हुए तेज़ अभिसरण (कन्वर्जेंस) सक्षम किया जा सकता है।