24832 पेपर
HyperEyes एक समानांतर मल्टीमॉडल सर्च एजेंट है जिसे एक ड्यूल-ग्रेन्ड एफिशिएंसी-अवेयर रीइन्फोर्समेंट लर्निंग फ्रेमवर्क के माध्यम से प्रशिक्षित किया गया है जो विजुअल ग्राउंडिंग और रिट्रीवल को समवर्ती कार्यों में संलयित करता है, जिससे मौजूदा अनुक्रमिक एजेंटों की तुलना में बेहतर सटीकता और काफी कम इन्फरेंस लागत प्राप्त होती है।
स्टार इलास्टिक (Star Elastic) एक नवीन पोस्ट-ट्रेनिंग विधि है जो एकल पैरेंट मॉडल से एक ही ट्रेनिंग रन के माध्यम से कुशलतापूर्वक कई नेस्टेड रीजनिंग सब-मॉडल्स उत्पन्न करती है, जो डायनेमिक, चरण-विशिष्ट बजट नियंत्रण को सक्षम बनाती है जो स्वतंत्र प्रशिक्षण या कंप्रेशन बेसलाइन की तुलना में प्रशिक्षण लागत को काफी कम करते हुए सटीकता-विलंबता (accuracy-latency) ट्रेड-ऑफ में सुधार करती है।
यह शोध पत्र कपलिंग मॉडल्स (Coupling Models) को प्रस्तुत करता है, जो एक वन-स्टेप डिस्क्रीट जनरेटिव फ्रेमवर्क है जो सिंगल-स्टेप जनरेशन को सक्षम करने के लिए डिस्क्रीट सीक्वेंस और गॉसियन लेटेंट्स के बीच एक डायरेक्ट कपलिंग सीखता है, जिससे टेक्स्ट जनरेशन, बायोलॉजिकल सीक्वेंस डिजाइन और इमेज सिंथेसिस में मौजूदा बेसलाइन्स की तुलना में महत्वपूर्ण प्रदर्शन सुधार प्राप्त होता है।
यह शोध पत्र एक 'थ्री-इन-वन' वर्ल्ड मॉडल आर्किटेक्चर प्रस्तावित करता है जो फ्रोजन बिलीफ रिप्रेजेंटेशन सीखने के लिए एक डीप बोल्ट्ज़मैन मशीन को टास्क-विशिष्ट एडेप्टर के साथ एकीकृत करता है ताकि ऊर्जा-आधारित निरंतरता मूल्यांकन, परिणाम भविष्यवाणी और काउंटरफैक्चुअल इन्फरेंस को एक साथ प्राप्त किया जा सके, जो मौजूदा बेसलाइनों की तुलना में हेटेरोजेनियस ट्रीटमेंट इफेक्ट्स को रिकवर करने और अकल्पनीय काउंटरफैक्चुअल ट्राजेक्टरीज को दंडित करने में बेहतर प्रदर्शन प्रदर्शित करता है।
PSK@EEUCA 2026 की टीम ने Llama 3.1 8B को LoRA फाइन-ट्यूनिंग और 5% सिंथेटिक डेटा ऑग्मेंटेशन के साथ जोड़कर 0.6234 का F1-macro स्कोर प्राप्त करते हुए 'वर्ल्ड ऑफ टैंक टॉक्सिसिटी डिटेक्शन चैलेंज' में चौथा स्थान प्राप्त किया, जबकि उन्होंने एक महत्वपूर्ण "वैलिडेशन ट्रैप" की भी पहचान की जहाँ उच्च वैलिडेशन प्रदर्शन टेस्ट सेट पर सामान्य होने में विफल रहता है।
यह शोध पत्र FAME को प्रस्तुत करता है, जो एक स्पैटियोटेम्पोरल (स्थानिक-कालिक) ढांचा है जो पांडुलिपि के प्रभाव का सटीक पूर्वानुमान लगाने के लिए वैज्ञानिक विषयों के गतिशील विकास को मॉडल करता है, और यह प्रदर्शित करता है कि यह स्थिर LLM मूल्यांकनकर्ताओं की तुलना में काफी बेहतर प्रदर्शन करता है और उनके साथ एकीकृत होने पर उनके प्रदर्शन को बढ़ाता है।
यह शोध पत्र एक प्रॉक्सी-एनालाइज़र फ्रेमवर्क पेश करता है जो छोटे, स्थानीय रूप से होस्ट किए गए ओपन-वेट मॉडल्स के आंतरिक एक्टिवेशन का विश्लेषण करके लार्ज लैंग्वेज मॉडल्स में मतिभ्रम (hallucinations) का पता लगाता है, जो विविध एनालाइज़र आर्किटेक्चर में अत्याधुनिक प्रदर्शन प्राप्त करते हुए यह प्रदर्शित करता है कि बड़े मॉडल का आकार अनिवार्य रूप से बेहतर पहचान सटीकता के साथ सहसंबंधित नहीं होता है।
यह शोध पत्र एक "सपोर्ट की मजबूती" (robustness of support) गुण को सिद्ध करके डिफ्यूजन गाइडेंस की प्रभावकारिता के लिए एक सैद्धांतिक आधार स्थापित करता है, जो यह प्रदर्शित करता है कि सटीक स्कोर फंक्शनों का उपयोग करने वाली गाइडेड डिफ्यूजन प्रक्रियाएं लगातार ऐसे नमूने उत्पन्न करती हैं जो लक्षित सपोर्ट के करीब रहते हैं, जिससे संरचनात्मक संभाव्यता और उच्च निष्ठा सुनिश्चित होती है।
यह शोध पत्र एक मॉड्यूलेटेड लर्निंग फ्रेमवर्क प्रस्तावित करता है जो प्रत्येक डिवाइस पर केवल एक डेटा सैंपल होने पर भी, ट्रांसफ़ॉर्म किए गए स्थानीय निरूपणों (लोकल रिप्रेजेंटेशन) में कैलिब्रेटेड शोर (नॉइज़) इंजेक्ट करके निष्पक्ष वैश्विक ग्रेडिएंट अपडेट उत्पन्न करने के माध्यम से गोपनीयता-संरक्षित वितरित प्रतिगमन (डिस्ट्रिब्यूटेड रिग्रेशन) को सक्षम बनाता है, जो अत्यधिक डेटा-दुर्लभ परिदृश्यों में पारंपरिक फेडरेटेड लर्निंग की सीमाओं को दूर करता है।
यह शोध पत्र यह स्थापित करता है कि पूर्णांक चरों (integer variables) के साथ स्टोकेस्टिक अनुकूलन की नमूना जटिलता (sample complexity), इसके निरंतर समकक्ष (continuous counterpart) की तुलना में, व्यवहार्य सेट (feasible set) की विशिष्ट ज्यामिति और उद्देश्य फलन (objective function) के गुणों पर निर्भर करते हुए, स्पष्ट रूप से अधिक, बराबर या यहाँ तक कि कम हो सकती है।