24832 पेपर
यह विचार पत्र टोपोलॉजिकल डीप लर्निंग में बेंचमार्क की वर्तमान कमी को दूर करने के लिए नए, नेटिव उच्च-क्रम (higher-order) डेटासेट के विकास का समर्थन करता है, और यह तर्क देता है कि केवल लिफ्टेड ग्राफ डेटासेट पर निर्भर रहना इस क्षेत्र को आगे बढ़ाने के लिए अपर्याप्त है।
यह शोध पत्र कंस्ट्रक्ट वैलिडिटी प्रोटोकॉल (CVP) और काउंटरफैक्चुअल न्यूट्रलाइजेशन को पेश करके कम्प्यूटेशनल सोशल साइंस में "प्रॉक्सी प्रिजम्प्शन" को संबोधित करता है, जो सिमेंटिक एम्बेडिंग्स को कठोरता से मान्य करता है, जिससे यह सुनिश्चित होता है कि वे विषय या शैली जैसे भ्रमित करने वाले गुणों के बजाय सामाजिक कंस्ट्रक्ट्स को मापते हैं।
यह शोध पत्र SR-LoRA का प्रस्ताव करता है, जो क्लास-इन्क्रीमेंटल लर्निंग के लिए एक नवीन पैरामीटर-एफिशिएंट फाइन-ट्यूनिंग विधि है, जो सिंगुलर वैल्यू अलाइनमेंट के माध्यम से इंटर-लेयर संबंधों के ड्रिफ्ट को सैद्धांतिक रूप से प्रदर्शित करके और व्यावहारिक रूप से प्रतिबंधित करके कैटास्ट्रोफिक फॉरगेटिंग (विनाशकारी विस्मृति) को कम करता है।
GameGen-Verifier एक समानांतर, कीपॉइंट-आधारित सत्यापन ढांचे को पेश करता है जो लंबी अवधि के मैकेनिक्स को कुशलतापूर्वक और सटीक रूप से मान्य करने के लिए LLM-जनरेटेड गेम्स को स्वतंत्र रनटाइम स्टेट्स में ग्राउंड करता है, जो सटीकता और गति दोनों में पारंपरिक एजेंट-आधारित दृष्टिकोणों से काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र सेमी-ऑटोमैटिक सिम्बोलिक प्रोपेगेशन (SSP) और फाइनाइट-स्टेट ट्रांसड्यूसर्स का उपयोग करके कोरियन इवैल्यूएशन एनोटेटेड डेटासेट (EVAD) के निर्माण को प्रस्तुत करता है, जो पहलू मानों (aspect values) को शामिल करके ई-कॉमर्स समीक्षाओं के लिए एस्पेक्ट-बेस्ड सेंटीमेंट एनालिसिस का विस्तार करता है, जिससे KoBERT और KcBERT मॉडलों के साथ 0.88 और 0.90 के उच्च F1 स्कोर प्राप्त होते हैं।
यह शोध पत्र VNN-LIB 2.0 प्रस्तुत करता है, जो न्यूरल नेटवर्क सत्यापन के लिए एक कठोरता से औपचारिक रूप से परिभाषित मानक है, जो विकसित होते ONNX मॉडलों से स्पेसिफिकेशन को अलग करने के लिए एक "नेटवर्क थ्योरी" एब्स्ट्रैक्शन पेश करता है, और साथ ही आंतरिक निरंतरता और इंटरऑपरेबिलिटी सुनिश्चित करने के लिए Agda में मशीनाइज की गई एक सटीक सिंटैक्स, टाइप सिस्टम और सिमेंटिक्स प्रदान करता है।
NPMixer एक पदानुक्रमित (hierarchical) टाइम सीरीज़ फोरकास्टिंग मॉडल है जो अनुकूलन योग्य ट्रेंड-डिटेल अपघटन (decomposition) के लिए एक सीखने योग्य स्टेशनरी वेवलेट ट्रांसफॉर्म को नेबरिंग पैच मिक्सिंग मैकेनिज्म के साथ जोड़ता है ताकि स्थानीय टेम्पोरल डायनेमिक्स और वैश्विक चैनल सहसंबंधों (global channel correlations) को प्रभावी ढंग से कैप्चर किया जा सके, जिससे कई बेंचमार्क पर अत्याधुनिक (state-of-the-art) प्रदर्शन प्राप्त होता है।
SHRED एक नवीन, रिटेन-सेट-मुक्त (retain-set-free) मशीन अनलर्निंग विधि है जो बड़े भाषा मॉडलों के लिए, सेल्फ-डिस्टिलेशन के माध्यम से उच्च-सूचना वाले टोकनों की पहचान और उन्हें डिमोट करके याद किए गए कंटेंट को चुनिलेक्टिव रूप से हटाती है, जिससे बिना किसी क्यूरेटेड रिटेन सेट की आवश्यकता के, भूलने की प्रभावकारिता और मॉडल उपयोगिता के बीच श्रेष्ठ संतुलन प्राप्त किया जाता है।
यह शोध पत्र तर्क देता है कि न्यूरल नेटवर्क में आउट-ऑफ-डिस्ट्रीब्यूशन जनरलाइजेशन (out-of-distribution generalization), फीचर इंजीनियरिंग और संरचनात्मक प्रतिबद्धताओं (structural commitments) के माध्यम से उत्पन्न "आइडेंटिफिएबिलिटी बायस" (identifiability bias) पर निर्भर करता है, जो केवल इन-डिस्ट्रीब्यूशन डेटा से डेटा-जनरेटिंग प्रक्रियाओं की नॉन-आइडेंटिफिएबिलिटी (non-identifiability) को हल करते हैं, जिससे तब सफल एक्सट्रपलेशन (extrapolation) सक्षम होता है जब चुने गए निरूपण (representations) अंतर्निहित कारण संरचना (underlying causal structure) को सही ढंग से कैप्चर करते हैं।
यह शोध पत्र LiteGUI का प्रस्ताव करता है, जो एक नवीन SFT-मुक्त प्रशिक्षण प्रतिमान है जो गाइडेड ऑन-पॉलिसी डिस्टिलेशन और एक मल्टी-सॉल्यूशन ड्यूल-लेवल GRPO फ्रेमवर्क को जोड़ता है ताकि हल्के, ऑन-डिवाइस GUI एजेंटों के प्रदर्शन को महत्वपूर्ण रूप से बढ़ाया जा सके, जिससे 2B/3B स्केल के मॉडल बहुत बड़े मॉडलों के बराबर अत्याधुनिक परिणाम प्राप्त करने में सक्षम हो सकें।