24476 पेपर
NEO एक हाइपरपैरामीटर-मुक्त, गणनात्मक रूप से कुशल टेस्ट-टाइम अडैप्टेशन विधि है जो टारगेट डेटा एम्बेडिंग्स को मूल (ओरिजिन) पर पुन: केंद्रित करके वितरण बदलावों (डिस्ट्रीब्यूशन शिफ्ट्स) के तहत मॉडल की मजबूती और अंशांकन (कैलिब्रेशन) में सुधार करती है, जिससे न्यूनतम कंप्यूट ओवरहेड के साथ कई डेटासेट्स और डिवाइसेस पर बेहतर सटीकता प्राप्त होती है।
यह शोध पत्र एक कंट्रोल-ऑगमेंटेड ऑटोरेग्रेसिव डिफ्यूजन फ्रेमवर्क पेश करता है जो डीनोइजिंग के दौरान स्टेपवाइज सुधारों को इंजेक्ट करने के लिए ऑफलाइन-प्रशिक्षित कंट्रोलर का लाभ उठाता है, जो मौजूदा डिफ्यूजन-आधारित बेसलाइनों की तुलना में अराजक स्पैटियोटेम्पोरल PDEs के डेटा एसिमिलेशन की गति, स्थिरता और सटीकता में महत्वपूर्ण सुधार करता है।
यह शोधपत्र एक विभेदक रूप से निजी (differentially private) स्पेक्ट्रल ग्राफ क्लस्टरिंग पद्धति प्रस्तुत करता है जो लुप्तप्राय गोपनीयता गारंटी (vanishing privacy guarantees) और गलत वर्गीकरण दर प्राप्त करने के लिए एक मैट्रिक्स शफ़लिंग तंत्र का उपयोग करता है, जो एक एकीकृत त्रुटि विश्लेषण ढांचे और समुदायों की संख्या का अनुमान लगाने के लिए एक निजी एल्गोरिदम प्रदान करते हुए मौजूदा निजी PCA बेसलाइनों से काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र SurpMark प्रस्तुत करता है, जो एक सुदृढ़ ब्लैक-बॉक्स डिटेक्टर है जो LLM-जनित टेक्स्ट के लिए है और जो स्रोत मॉडल तक पहुंच की आवश्यकता के बिना मानव और मशीन लेखन के बीच प्रभावी ढंग से अंतर करने के लिए टोकन सरप्राइज़ल डायनेमिक्स (token surprisal dynamics) और एक सामान्यीकृत जेन्सेन-शैनन डाइवर्जेंस (Jensen-Shannon divergence) मीट्रिक का लाभ उठाता है।
यह शोधपत्र TrapNet को प्रस्तुत करता है, जो एक अनसुपरवाइज्ड (unsupervised) फ्रेमवर्क है जो जेनेरिक अनपैकिंग, FloatHash नामक एक नवीन PCA-आधारित संख्यात्मक फजी हैशिंग तकनीक, और ग्राफ कम्युनिटी डिटेक्शन को संयोजित करता है ताकि बड़े पैमाने पर सिमेंटिक समानता के आधार पर मालवेयर नमूनों को कुशलतापूर्वक फिंगरप्रिंट और समूहीकृत किया जा सके।
यह शोध पत्र एक धारणा-मुक्त (assumption-lean) ढांचे और 'SurvB-learner' नामक एक नवीन मॉडल-अज्ञेय मेटा-लर्नर (model-agnostic meta-learner) प्रस्तावित करता है, जो उत्तरजीविता विश्लेषण (survival analysis) में सशर्त औसत उपचार प्रभावों (conditional average treatment effects) पर सूचनात्मक सीमाओं को प्राप्त करने के लिए है, जिससे बिना किसी कड़े अनुमानों पर निर्भर हुए, सूचनात्मक सेंसरिंग (informative censoring) के तहत भी प्रभावी उपचार उपसमूहों की सुदृढ़ पहचान संभव हो सके।
यह शोधपत्र यह प्रदर्शित करता है कि कैसे एक बार-बार खेले जाने वाले खेल (repeated game) में अनुकूलनशील बाजार एजेंटों द्वारा विकेंद्रीकृत शिक्षण (decentralized learning), सकारात्मक कुल इन्वेंट्री का शोषण करने के सहयोगात्मक प्रोत्साहन के कारण निरंतर अत्यधिक मूल्य निर्धारण (overpricing) की ओर ले जा सकता है, जो प्रतिस्पर्धी दबावों से अधिक प्रभावी होता है, भले ही उद्देश्य अल्पकालिक (myopic) या दूरदर्शी (farsighted) हों।
यह शोध पत्र LILO को प्रस्तुत करता है, जो एक ऐसा बेयसियन ऑप्टिमाइज़ेशन फ्रेमवर्क है जो मुक्त-रूप प्राकृतिक भाषा फीडबैक को संरचित प्राथमिकता संकेतों में बदलने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, जिससे पारंपरिक तरीकों की तुलना में जटिल, व्यक्तिपरक उद्देश्यों को अनुकूलित करने में नमूना दक्षता और लचीलेपन को बढ़ाया जा सके।
यह शोध पत्र ActivationReasoning प्रस्तुत करता है, जो एक ऐसा ढांचा है जो स्पार्स ऑटोएनकोडर (sparse autoencoder) फीचर्स को तार्किक प्रस्थापनाओं (logical propositions) के साथ मैप करके लार्ज लैंग्वेज मॉडल्स के लेटेंट एक्टिवेशन स्पेस में स्पष्ट तार्किक तर्क को समाहित करता है, जिससे विविध कार्यों और मॉडल आर्किटेक्चरों में पारदर्शी, नियंत्रणीय और सुदृढ़ मल्टी-हॉप रीजनिंग सक्षम होती है।
यह शोध पत्र TALE को पेश करता है, जो एक इन्फरेंस-टाइम विधि है जो बिना पुनरप्रशिक्षण (retraining) के कार्य-विशिष्ट प्रदर्शन को अनुकूलित करने और कम्प्यूटेशनल लागत को कम करने के लिए लार्ज लैंग्वेज मॉडल्स में अप्रासंगिक परतों (layers) को गतिशील रूप से समाप्त करती है।