24939 पेपर
यह शोध पत्र एक स्केलेबल एमोर्टाइज्ड इन्फरेंस विधि प्रस्तुत करता है जो अधिकतम दो आकार के सेट्स पर एक मीन-पूल डीप सेट को प्रशिक्षित करके रिप्रेजेंटेशन लर्निंग को पोस्टीरियर मॉडलिंग से अलग करती है, जिससे किसी भी बड़े सेट पर कुशल इन्फरेंस सक्षम होता है जिसका कंप्यूट लागत डिप्लॉयमेंट सेट के आकार से स्वतंत्र है और साथ ही यह मानक बेसलाइन के बराबर या उनसे बेहतर प्रदर्शन करता है।
यह शोध पत्र इस बात की जांच करता है कि भाषा मॉडल योजना बनाने के दौरान भविष्य के बाधाओं (constraints) के आंतरिक निरूपण कहाँ और कैसे बनाते हैं, यह प्रकट करते हुए कि जबकि भविष्य-तुकबंदी (future-rhyme) की जानकारी कई मॉडल परिवारों और पैमानों में रैखिक रूप से डिकोडेबल है, केवल Gemma-3-27B इस जानकारी का उपयोग करने के लिए एक विशिष्ट विलंबित-परत हैंडऑफ तंत्र (late-layer handoff mechanism) पर कारणवश निर्भर करता है, जबकि अन्य मॉडल तुकबंदी वाले शब्द पर ही आधारित होते हैं बावजूद इसके कि वे मजबूत प्रोब सिग्नल प्रदर्शित करते हैं।
यह शोध पत्र एक नया बेयसियन संवेदनशीलता मान (BSV) ढांचा प्रस्तावित करता है जो कारण अनुमान संवेदनशीलता विश्लेषण में निराशावादी सबसे खराब स्थिति की धारणाओं को साक्ष्य-आधारित प्रायोरिटीज़ (priors) से बदल देता है ताकि मधुमेह उपचार प्रभावों के अनुप्रयोग के माध्यम से प्रदर्शित अधिक यथार्थवादी और सूचनात्मक सुदृढ़ता आकलन प्रदान किया जा सके।
यह शोध पत्र PSP-HDC को प्रस्तुत करता है, जो एक ग्राफ-संरचित हाइपरडायमेंशनल कंप्यूटिंग फ्रेमवर्क है जो प्रक्रिया-संरचना-गुण निर्भरताओं को अंतर्निहित, व्याख्यात्मक निरूपणों में कूटबद्ध करके मल्टीफोटॉन फोटोरिडक्शन में डेटा की विरलता और विषमता को संबोधित करता है, जिससे पारंपरिक मॉडलों की तुलना में बेहतर सटीकता और सामान्यीकरण प्राप्त होता है।
यह शोध पत्र दोनों स्तरों में मिनिमैक्स संरचनाओं वाले बाइलेवल ऑप्टिमाइज़ेशन के लिए पेनल्टी-आधारित फर्स्ट-ऑर्डर विधियों को प्रस्तुत करता है, जो निचले स्तर की समस्या पर स्ट्रॉन्ग कॉनवेक्सिटी (strong convexity) धारणाओं की आवश्यकता के बिना, नियत (deterministic) सेटिंग्स में और स्टोकेस्टिक (stochastic) सेटिंग्स में के बेहतर ओरैकल कॉम्प्लेक्सिटी बाउंड्स स्थापित करता है।
यह शोध पत्र तर्क देता है कि मैकेनिस्टिक इंटरप्रिटेबिलिटी (mechanistic interpretability) अनुसंधान अक्सर आवश्यक धारणाओं को स्पष्ट रूप से व्यक्त करने में विफल रहकर सत्यापन मेट्रिक्स (validation metrics) को कारण संबंधी पहचान (causal identification) के साथ भ्रमित करता है, और यह एक नए प्रकटीकरण मानदंड का प्रस्ताव करता है जो लेखकों के लिए अपनी पहचान रणनीतियों और अपने कारण दावों की मजबूती को स्पष्ट रूप से व्यक्त करना अनिवार्य बनाता है।
यह शोध पत्र रिकरेंट थ्रेशोल्ड नेटवर्क (recurrent threshold networks) तक कॉनवेक्सिफिकेशन थ्योरी (convexification theory) का विस्तार करके स्पाइकिंग न्यूरल नेटवर्क (Spiking Neural Networks) को प्रशिक्षित करने के लिए एक वैश्विक रूप से इष्टतम पैरामीटर पुनर्निर्माण एल्गोरिदम प्रस्तावित करता है, जिससे सरोगेट ग्रेडिएंट विधियों (surrogate gradient methods) में अंतर्निहित सन्निकटन त्रुटियों (approximation errors) पर विजय प्राप्त होती है और विभिन्न कार्यों में बेहतर प्रदर्शन और स्केलेबिलिटी प्रदर्शित होती है।
यह शोध पत्र DR-ME को प्रस्तुत करता है, जो एक नवीन अर्ध-प्राचलीय (semiparametrically) कुशल परीक्षण है जो ऑर्थोगोनल डबली रोबस्ट कर्नेल विशेषताओं का उपयोग करके विशिष्ट परिणाम स्थानों पर व्याख्या योग्य वितरण उपचार प्रभावों (distributional treatment effects) की पहचान और स्थानीयकरण करता है, जो पारंपरिक वैश्विक परीक्षणों की तुलना में बेहतर व्याख्यात्मकता और स्थानीय शक्ति प्रदान करता है।
यह शोध पत्र CUTS-GPR प्रस्तुत करता है, जो एक नवीन विधि है जो एक योगात्मक कर्नेल (additive kernel) का लाभ उठाकर उच्च-आयामी अपूर्ण ग्रिडों के लिए संख्यात्मक रूप से सटीक, स्केलेबल गाऊसी प्रक्रिया प्रतिगमन (Gaussian process regression) को सक्षम बनाती है, जिससे डेटा आकार के साथ लगभग रैखिक स्केलिंग और आयामीता के साथ बहुपद स्केलिंग प्राप्त होती है, जिससे संभावित ऊर्जा सतहों (potential energy surfaces) जैसे जटिल प्रणालियों के बेयसियन मॉडलिंग को सुगम बनाया जा सके।
यह शोध पत्र GraphDPO प्रस्तुत करता है, जो डायरेक्ट प्रेफरेंस ऑप्टिमाइज़ेशन का एक सिद्धांतपूर्ण सामान्यीकरण है जो ट्रांसिटिविटी (transitivity) को लागू करने और पर्यवेक्षण (supervision) को एकत्रित करने के लिए कई रोलआउट्स द्वारा प्रेरित पूर्ण प्रेफरेंस ग्राफों का लाभ उठाता है, जिससे पेयरवाइज़ (pairwise) विधियों की सीमाओं को दूर किया जा सकता है और रीजनिंग तथा प्रोग्राम सिंथेसिस कार्यों में बेहतर प्रदर्शन प्राप्त किया जा सकता है।