19766 पेपर
PEARL एक संवादात्मक अनुकूलन मॉडलिंग प्रणाली है जो प्राकृतिक भाषा स्वरूपों (natural language formulations) का गतिशील रूप से परीक्षण, डिबग और संशोधन करने के लिए पायथन निष्पादन के साथ एक मल्टी-टर्न, सॉल्वर-इन-द-लूप फ्रेमवर्क का लाभ उठाती है, जिससे छोटे और काफी बड़े वन-शॉट लैंग्वेज मॉडल्स की तुलना में बेहतर सटीकता प्राप्त होती है।
यह शोध पत्र MUX को प्रस्तुत करता है, जो एक ऐसी विधि है जो डिस्क्रीट रीजनिंग स्टेप्स (discrete reasoning steps) को लॉसलेस, मल्टीप्लेक्सड लेटेंट टोकन्स (lossless, multiplexed latent tokens) में डिस्टिल करके भाषा मॉडलों में कुशल और उच्च-बैंडविड्थ निरंतर तर्क (continuous reasoning) को सक्षम बनाती है, जिससे व्याख्यात्मकता बनाए रखते हुए और मौजूदा बेसलाइनों से बेहतर प्रदर्शन करते हुए प्राकृतिक भाषा अभिव्यक्ति की कम्प्यूटेशनल बाधाओं को दूर किया जा सके।
यह शोध पत्र प्रदर्शित करता है कि सीखे गए तरीकों के माध्यम से विविध बड़े भाषा मॉडलों (large language models) से भविष्यवाणियों को एकत्रित करना व्यक्तिगत मॉडल के प्रदर्शन से बेहतर हो सकता है, जबकि यह इस बात पर प्रकाश डालता है कि प्रशिक्षण कटऑफ संदूषण (training cutoff contamination) क्षमता मूल्यांकन को महत्वपूर्ण रूप से विकृत करता है और ऐसे एन्सेम्बल्स (ensembles) का प्राथमिक लाभ जटिल गैर-रेखीय अंतःक्रियाओं के बजाय विविध मॉडल आउटपुट को रैखिक रूप से संयोजित करने से प्राप्त होता है।
यह शोधपत्र FALCON-Discover को प्रस्तुत करता है, जो एक पोस्ट-हॉक (post-hoc), मॉडल-अज्ञेय (model-agnostic) ढांचा है जो कई विसंगति संकेतों (discrepancy signals) के आधार पर भविष्यवाणियों को रैंक करके खतरनाक झूठे आत्मविश्वास के केंद्रित क्षेत्रों की पहचान करता है, और यह प्रदर्शित करता है कि ओवरकॉन्फिडेंस (overconfidence) को एक खोज समस्या (discovery problem) के रूप में मानना पारंपरिक एकल-स्कोर अंशांकन (single-score calibration) विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र एक सत्यापन-गेटेड स्पेक्ट्रल एविडेंस बंडलिंग पद्धति प्रस्तुत करता है जो आउटपुट कॉन्फिडेंस को संपूर्ण-नमूना स्पेक्ट्रल डिस्क्रिप्टर्स के साथ जोड़कर विश्वसनीय भविष्यवाणियों की पहचान करने और असमर्थ स्पेक्ट्रल कंडीशनिंग को रोकने के लिए टाइम-सीरीज क्लासिफिकेशन हेतु चयनात्मक विश्वसनीयता अनुमान को बढ़ाता है।
यह शोध पत्र एक कंपाउंड स्पैरसिटी फ्रेमवर्क पेश करता है जो सिंगल-मैकेनिज्म कंप्रेशन विधियों से बेहतर प्रदर्शन करने के लिए स्टैटिक पैरामीटर प्रूनिंग को डायनेमिक टोकन-लेवल लेयर स्किपिंग के साथ जोड़ता है, जो प्रभावी रूप से प्रदर्शन क्षरण को विलंबित करता है और लार्ज लैंग्वेज मॉडल्स के लिए एक इष्टतम निकट-संतुलित आवंटन रणनीति को प्रकट करता है।
यह स्थिति पत्र तर्क देता है कि मशीन लर्निंग क्वांटम केमिस्ट्री के लिए सबसे आशाजनक रणनीतिक मार्ग का प्रतिनिधित्व करती है, क्योंकि यह 'डेंसिटी फंक्शनल थ्योरी' जैसे पारंपरिक तरीकों के विकास के संतृप्ति बिंदु पर पहुँचने के बाद, जटिल 'मेनी-बॉडी प्रॉब्लम' (many-body problem) के लिए एक व्यवहार्य निर्णय-सैद्धांतिक समाधान प्रदान करती है।
FedCC एक लो-रिसोर्स फेडरेटेड लर्निंग फ्रेमवर्क है जो फुल फाइन-ट्यूनिंग की तुलना में कंप्यूटेशनल और कम्युनिकेशन लागत को काफी कम करते हुए, भ्रूण अल्ट्रासाउंड छवियों में कॉर्पस कैलोसम के मजबूत, गोपनीयता-संरक्षित स्थानीयकरण (localization) को प्राप्त करने के लिए एक फ्रोजन DINOv2 बैकबोन को LoRA और एक YOLO-आधारित डिटेक्शन हेड के साथ जोड़ता है।
यह शोध पत्र एक नवीन भाषा मॉडल संपीड़न ढांचा प्रस्तावित करता है जो न्यूरॉन महत्व को डेटा-जागरूक लो-रैंक सन्निकटन (low-rank approximation) के साथ एकीकृत करता है और गतिशील संपीड़न दर आवंटन के लिए एक कुशल एल्गोरिदम पेश करता है, जिससे विशेष रूप से उच्च संपीड़न अनुपातों के तहत अत्याधुनिक प्रदर्शन प्राप्त होता है।
यह शोध पत्र पदानुक्रमित एज-क्लाउड नेटवर्क में NP-hard संयुक्त सेवा प्लेसमेंट, कम्प्यूटेशनल डेलीगेशन और पावर कंट्रोल समस्या को हल करने के लिए एक लेटेंट एक्शन स्पेस (2T-MDRL-LA) के साथ टू-टाइमस्केल मल्टी-लेयर डीप रिइन्फोर्समेंट लर्निंग फ्रेमवर्क का प्रस्ताव करता है, जो गतिशील स्थितियों के अनुकूल होते हुए एंड-टू-एंड विलंबता को प्रभावी रूप से कम करता है और संसाधन उपयोगिता में सुधार करता है।