24939 पेपर
यह शोधपत्र एक प्रशिक्षण-मुक्त, गणनात्मक रूप से कुशल विधि प्रस्तुत करता है जो उच्च-आयामी संरचित आउटपुट स्पेस में प्रभावी अनिश्चितता परिमाणीकरण और सैंपलिंग को सक्षम करने के लिए नॉनकन्फॉर्मिटी स्कोर द्वारा प्रेरित फ्लो-आधारित गतिकी का लाभ उठाती है, जिससे कॉन्फॉर्मल प्रेडिक्टिव वितरण उत्पन्न होते हैं।
यह शोध पत्र स्ट्रक्चरल लर्निंग थ्योरी (StrLT) को प्रस्तुत करता है, जो एक समस्या को कवर करने के लिए आवश्यक संकुचनशील कोशिकाओं (contractive cells) की न्यूनतम संख्या को "चौड़ाई" (width) के रूप में परिभाषित करके गैर-स्थिर संदर्भों (non-stationary contexts) की खोज की चुनौती का समाधान करता है, एक चरण संक्रमण (phase transition) प्रदर्शित करता है जहाँ अपर्याप्त कोशिकाएं अपरिहार्य त्रुटि का कारण बनती हैं, और इस चौड़ाई का कुशलतापूर्वक अनुमान लगाने तथा ओपन-एंडेड वातावरण में सीखने की लागत को कम करने के लिए कॉन्ट्रैक्टिव-सिमिलैरिटी ऑपरेटर और मेट्रिक स्लिंगशॉट का प्रस्ताव करता है।
यह शोध पत्र प्रदर्शित करता है कि अनुक्रमिक डेटा (sequential data) पर फ्लो मैचिंग (flow matching) प्रभावी रूप से एक मेमोरी-ऑगमेंटेड, नॉनपैरामीट्रिक डायनेमिकल सिस्टम के रूप में कार्य करता है जो तात्कालिक वेगों (instantaneous velocities) के समानता-भारित मिश्रण (similarity-weighted mixture) के माध्यम से देखे गए ट्रांज़िशन को पुन: प्रस्तुत करता है, जिससे फ्रीएफएम (FreeFM) का विकास होता है, जो एक ट्रेनिंग-फ्री सैंपलर है जो ऐतिहासिक डेटा से सीधे सुदृढ़ संभाव्यता पूर्वानुमान (probabilistic forecasting) प्राप्त करता है।
लेटेंट जेनरेटिव सॉल्वर (LGS), एक साझा लेटेंट मैनिफोल्ड, सेल्फ-कंडीशनिंग और इनपुट नॉइज़ के साथ एक फ्लो-मैचिंग ट्रांसफॉर्मर को संयोजित करके बारह अलग-अलग PDE परिवारों में सामान्यीकरण योग्य और स्थिर दीर्घकालिक भौतिक सिमुलेशन प्राप्त करता है, जिससे यह मल्टी-स्टेप सटीकता में नियत बेसलाइन मॉडलों से काफी बेहतर प्रदर्शन करता है और साथ ही गणनात्मक लागतों को भी भारी रूप से कम करता है।
यह शोध पत्र पर्सेप्टिव ह्यूमनॉइड पार्कोर (PHP) को प्रस्तुत करता है, जो एक मॉड्यूलर फ्रेमवर्क है जो कौशल संश्लेषण के लिए मोशन मैचिंग को धारणा-संचालित सुदृढीकरण लर्निंग (परसेप्शन-ड्रिवन रीइन्फोर्समेंट लर्निंग) के साथ जोड़ता है ताकि ह्यूमनॉइड रोबोटों को वास्तविक दुनिया के वातावरण में गतिशील अनुकूलन क्षमता के साथ जटिल, दीर्घ-क्षितिज वाले पार्कोर कार्यों को स्वायत्त रूप से निष्पादित करने में सक्षम बनाया जा सके।
यह शोध पत्र MARVL को प्रस्तुत करता है, जो एक बहु-चरणीय मार्गदर्शन ढांचा (multi-stage guidance framework) है जो स्थानिक और अर्थ संबंधी निरंतरता (spatial and semantic consistency) के लिए विजन-लैंग्वेज मॉडल्स को फाइन-ट्यून करता है ताकि स्वचालित रूप से डेंस रिवॉर्ड्स (dense rewards) उत्पन्न किए जा सकें, जो मौजूदा तरीकों की तुलना में रोबोटिक सुदृढीकरण लर्निंग (robotic reinforcement learning) कार्यों में सैंपल दक्षता और मजबूती में महत्वपूर्ण सुधार करता है।
ऑटोलर्न (Autolearn) एक अनसुपरवाइज्ड फ्रेमवर्क है जो भाषा मॉडलों को उच्च-आश्चर्य वाले अनुच्छेदों से स्वायत्त रूप से सीखने में सक्षम बनाता है, जो स्वयं-निर्मित प्रश्नोत्तर श्रृंखलाओं के माध्यम से उन्हें सत्यापित करके और प्रशिक्षण गतिकी को समायोजित करके किया जाता है, एक ऐसी प्रक्रिया जो प्रभावी रूप से वास्तविक समझ के पक्ष में रटने की प्रवृत्ति को दबाती है और कई मॉडल परिवारों में महत्वपूर्ण ज्ञान प्राप्ति की ओर ले जाती है।
यह अध्ययन "ऑल ऑफ अस" रिसर्च प्रोग्राम के राष्ट्रव्यापी अनुदैर्ध्य (लॉन्गीटुडिनल) EHR डेटा का लाभ उठाते हुए क्रोनिक राइनोसिनुसाइटिस के लिए एक जनसांख्यिकीय-स्तरीकृत भविष्यवाणी मॉडल विकसित करने के लिए एक हाइब्रिड फीचर-सिलेक्शन पाइपलाइन का उपयोग करता है, ताकि 0.8461 का AUC प्राप्त किया जा सके और विविध वयस्क उपसमूहों में बेहतर जोखिम स्तरीकरण प्रदर्शित किया जा सके।
MedMamba एक सिद्धांत-आधारित मल्टी-स्केल बायडायरेक्शनल स्टेट स्पेस मॉडल है जो मेडिकल टाइम सीरीज़ क्लासिफिकेशन के लिए ट्रांसफॉर्मर-आधारित विधियों की तुलना में अत्याधुनिक सटीकता और 4.6 गुना तेज़ इन्फरेंस प्राप्त करने के लिए शारीरिक संकेतों (फिजियोलॉजिकल सिग्नल्स) के विशिष्ट इंडक्टिव बायस का लाभ उठाता है।
यह शोध पत्र सीक्वेंशियल एजेंट ट्यूनिंग (SAT) को प्रस्तुत करता है, जो एक समन्वयक-मुक्त (coordinator-free) प्रशिक्षण ढांचा है जो मोनोटोनिक सुधार गारंटी और प्लग-एंड-प्ले इनवेरिएंस के साथ स्थिर, स्केलेबल मल्टी-एलएलएम (multi-LLM) सहयोग को सक्षम बनाता है, और अनुभवजन्य रूप से यह प्रदर्शित करता है कि छोटे मॉडलों की एक टीम जटिल बेंचमार्क पर काफी बड़े एकल मॉडलों से बेहतर प्रदर्शन कर सकती है।