20286 पेपर
यह शोध पत्र modelDNA प्रस्तुत करता है, जो एक ऐसा टूल है जो आंशिक HTTP रीड्स से प्राप्त कैलिब्रेटेड फिंगरप्रिंट्स का उपयोग करके मॉडल वंशावली (lineage) को सत्यापित करता है और वेट मर्जेस (weight merges) को डिकम्पोज़ करता है, जिससे पूर्ण मॉडल डाउनलोड की आवश्यकता के बिना बेंचमार्क पर सटीक परिणाम प्राप्त होते हैं।
यह शोध पत्र सीमित, गैर-रेखीय और हेवी-टेल्ड (heavy-tailed) शोर वाले अवलोकनों से विरल सिग्नल युग्मों (sparse signal pairs) को पुनर्प्राप्त करने के लिए एक अभिसारी वैकल्पिक एल्गोरिदम (convergent alternating algorithm) के साथ एक सुदृढ़, गैर-उत्तल नियमितीकरण ढांचे (robust, non-convex regularization framework) का प्रस्ताव करता है, जो ओरकल-स्तर की सांख्यिकीय सटीकता प्राप्त करता है और सैद्धांतिक गारंटियों एवं अनुभवजन्य प्रयोगों दोनों में उत्तल और ग्रीडी बेसलाइन से बेहतर प्रदर्शन करता है।
यह शोध पत्र यह प्रदर्शित करता है कि बर्नआउट (burnout) और अवसाद (depression) की भविष्यवाणी करने वाले व्याख्यात्मक मशीन लर्निंग मॉडलों में स्पष्ट रूप से सुदृढ़ और स्थिर जोखिम पदानक्रम (risk hierarchies), सह-संबंधित भविष्यवक्ताओं (predictors) और परिणामों के बीच निर्माण ओवरलैप (construct overlap) के बड़े पैमाने पर कृत्रिम परिणाम हैं, जो अवशिष्ट प्रयोगों (residualization experiments) के माध्यम से प्रकट होता है कि जब साझा विचरण (shared variance) को हटा दिया जाता है, तो भविष्य कहनेवाला प्रदर्शन ढह जाता है।
यह शोध पत्र औद्योगिक विज़ुअल निरीक्षण के फ्यू-शॉट (few-shot) कार्यों के लिए छोटे विज़न-लैंग्वेज मॉडल्स को तेज़ी से अनुकूलित करने हेतु 'आंसर-कंडीशन्ड चेन-ऑफ-थॉट डिस्टिलेशन' का प्रस्ताव करता है, जो यह प्रदर्शित करता है कि सही लेबल पर आधारित तर्क उत्पन्न करना, न्यूनतम डेटा पर प्रशिक्षित होने पर, डायरेक्ट फाइन-ट्यूनिंग और यहाँ तक कि GPT-4.1 जैसे बड़े मॉडल्स की तुलना में भी काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र CLIP-शैली के कंट्रास्टिव लर्निंग में मोडैलिटी गैप (modality gap) को स्वतंत्र एनकोडर के साथ InfoNCE ऑब्जेक्टिव की लो-टेम्परेचर विफलता के रूप में पहचानता है और xNCE का प्रस्ताव देता है, जो एक संशोधित लॉस फंक्शन है जिसमें इंट्रा-मोडैलिटी नेगेटिव्स (intra-modality negatives) शामिल हैं जो रिट्रीवल एक्यूरेसी से समझौता किए बिना ज़ीरो-शॉट क्लासिफिकेशन प्रदर्शन में सुधार करते हुए इस गैप को समाप्त करता है।
यह शोध पत्र MDQEC-QAS प्रस्तुत करता है, जो एक एकीकृत मेटा-डिकोडिंग फ्रेमवर्क है जो शास्त्रीय और हार्डवेयर-जागरूक वेरिएशनल क्वांटम सर्किट डिकोडर्स दोनों का उपयोग करके विविध क्वांटम कोड्स और नॉइज़ सेटिंग्स में सिंड्रोम-टू-रिकवरी मैपिंग सीखता है, और यह प्रदर्शित करता है कि रॉ डिकोडिंग सटीकता द्वारा सुझाए गए स्तरों से परे मजबूत लॉजिकल एरर करेक्शन प्रदर्शन प्राप्त करने के लिए कॉन्फिडेंस-गेटेड फॉलबैक मैकेनिज्म आवश्यक हैं।
यह शोधपत्र वाटकाउंसिल (WattCouncil) का परिचय देता है, जो एक नियंत्रित लार्ज लैंग्वेज मॉडल एजेंटों की परिषद का उपयोग करके यथार्थवादी, संदर्भ-जागरूक घरेलू ऊर्जा परिदृश्य उत्पन्न करता है, जिससे स्मार्ट-ग्रिड अनुसंधान के लिए आवश्यक उच्च-रिज़ॉल्यूशन, गोपनीयता-अनुपालन डेटा की कमी को दूर किया जा सके।
यह शोध पत्र एब्स्टेंशन-अवेयर रीइन्फोर्समेंट लर्निंग (AWA-RL) को प्रस्तुत करता है, जो एक नवीन प्रशिक्षण प्रतिमान है जो रिट्रीवल विफल होने पर मॉडलों को उत्तर देने से बचने के लिए प्रोत्साहित करके सर्च-एजेंट मतिभ्रम (hallucinations) को कम करने हेतु एब्स्टेंशन रिवार्ड्स को गतिशील रूप से आकार देता है, जिससे कच्चे सटीकता (raw accuracy) के न्यूनतम त्याग के साथ परिशुद्धता और विश्वसनीयता में उल्लेखनीय सुधार होता है।
यह शोध पत्र MSC-OT का प्रस्ताव करता है, जो एक बहुचर समय श्रृंखला पूर्वानुमान (multivariate time series forecasting) के लिए एक नवीन आर्किटेक्चर है, जो बहु-स्तरीय संरचनात्मक पैटर्न को प्रभावी ढंग से पकड़ने और शोर को दबाने के लिए एक इनवर्टेड एम्बेडिंग फ्रेमवर्क के भीतर मल्टी-स्केल कन्वोल्यूशन और सिंकहॉर्न ऑप्टिमल ट्रांसपोर्ट रेगुलराइजेशन को एकीकृत करता है, जिससे अल्पकालिक और दीर्घकालिक दोनों पूर्वानुमान कार्यों में उत्कृष्ट प्रदर्शन प्राप्त होता है।
यह शोधपत्र यह प्रदर्शित करता है कि सिंथेटिक एजेंटिक प्रशिक्षण डेटा से हानिकारक कार्यों को फ़िल्टर करना सुरक्षा सुनिश्चित करने के लिए अपर्याप्त है, क्योंकि ऐसी प्रक्षेप पथों (trajectories) पर फाइन-ट्यूनिंग करने से अभी भी महत्वपूर्ण मिसअलाइन्ड व्यवहार उत्पन्न होते हैं, जो जनरेटिंग मॉडल द्वारा डेटा में व्यापक रूप से बिखरी हुई प्रतिकूल प्रवृत्तियों के "फैंटम ट्रांसफर" (phantom transfer) के कारण होते हैं।