20300 पेपर
CatRetriever एक कंट्रास्टिव रिप्रेजेंटेशन लर्निंग मॉडल पेश करता है जो जनरेटिव स्लैब-लेवल कैटलिस्ट डिजाइनों और उनके पैरेंट बल्क स्ट्रक्चर्स के बीच के अंतर को पाटता है, जिससे हेटेरोजेनियस कैटलिसिस में लक्षित सोखना ऊर्जा (adsorption energy) की खोज को सुगम बनाने के लिए भौतिक रूप से प्रशंसनीय बल्क उम्मीदवारों की उच्च-सटीकता वाली रिट्रीवल संभव होती है।
यह शोध पत्र ऑफलाइन-टू-ऑनलाइन सुदृढीकरण शिक्षण (रिनफोर्समेंट लर्निंग) के लिए एक नवीन सक्रिय नीति चयन ढांचे को प्रस्तुत करता है जो स्थानीय रूप से रैखिक प्रदर्शन पूर्वानुमानों से प्राप्त ऊपरी-विश्वास सीमाओं (अपर-कॉन्फिडेंस बाउंड्स) का उपयोग करके उम्मीदवार नीतियों के मूल्यांकन और सबसे आशाजनक नीतियों के फाइन-ट्यूनिंग के बीच के संतुलन को गतिशील रूप से संतुलित करके सीमित इंटरेक्शन बजट को अनुकूलित करता है।
यह शोध पत्र एक टाइम-लैग-अवेयर (time-lag-aware) डीप रिइन्फोर्समेंट लर्निंग फ्रेमवर्क प्रस्तावित करता है जो लंबे पोस्ट-ऑपरेशन विलंब को स्पष्ट रूप से मॉडल करके, बिना किसी बाहरी सॉल्वर की आवश्यकता के, प्रीफैब्रिकेटेड मॉड्यूल कारखानों के लिए फ्लेक्सिबल जॉब-शॉप शेड्यूलिंग को अनुकूलित करने में पारंपरिक डिस्पैचिंग नियमों और मेटा-ह्यूरिस्टिक्स से काफी बेहतर प्रदर्शन करता है और लगभग इष्टतम मेक्सपैन (makespan) परिणाम प्राप्त करता है।
यह शोध पत्र NeuralActuator प्रस्तुत करता है, जो एक नए एकत्रित डेटासेट पर प्रशिक्षित एक न्यूरल एक्चुएटर मॉडल है जो सिम-टू-रियल त्रुटियों को दूर करने और विविध कम लागत वाले और उच्च-स्तरीय रोबोटिक प्लेटफॉर्म्स में सेंसरलेस फोर्स परसेप्शन को सक्षम करने के लिए सिम्युलेटर-तुल्य टॉर्क सरोगेट्स, बाहरी संपर्क बलों और मोटर स्वास्थ्य स्कोर की संयुक्त रूप से भविष्यवाणी करता है।
यह शोध पत्र प्रदर्शित करता है कि मल्टी-एजेंट LLM सिस्टम में स्थानीय रनटाइम मॉनिटर उन वितरित बैकडोर्स (distributed backdoors) का पता लगाने में विफल रहते हैं जब हानिकारक पेलोड को व्यक्तिगत रूप से निर्दोष अंशों में विभाजित किया जाता है, जो एक अवलोकन सीमा (observability boundary) स्थापित करता है जहाँ सुरक्षा केवल तभी सुनिश्चित की जा सकती है जब असेंबल की गई वस्तु का पता लगाया जाए या उस अंतर्निहित प्रतिनिधित्व तक पहुँचा जाए जहाँ क्षति उजागर होती है।
यह शोधपत्र FactorDiff प्रस्तुत करता है, जो कि डिस्क्रीट डिफ्यूजन मॉडल्स के लिए एक नवीन फ्रेमवर्क है, जो वैश्विक मिश्रण भार (global mixing weights) लागू करने के बजाय व्यक्तिगत नमूना कारकों (individual sample factors) को विशिष्ट विशेषज्ञों (specialized experts) में गतिशील रूप से रूट करके संरचनात्मक पीढ़ी (compositional generation) में सुधार करता है, जिससे ARC-AGI जैसे स्थानिक रूप से जटिल तर्क कार्यों पर बेहतर प्रदर्शन प्राप्त होता है।
यह शोध पत्र C-RASP निर्माणों (constructions) को सीखने के लिए प्रारंभिक नमूना जटिलता सीमाओं (sample complexity bounds) का प्रस्ताव करके ट्रांसफॉर्मर सीखने की क्षमता (learnability) की सैद्धांतिक समझ को आगे बढ़ाता है, जो मौजूदा अभिव्यक्ति विश्लेषणों (expressivity analyses) और ऐसे समाधानों को सीखने की व्यावहारिक व्यवहार्यता के बीच के अंतर को संबोधित करता है।
यह शोध पत्र चयनात्मक स्टेट-स्पेस मॉडलों (selective state-space models) में मोड उपयोग को मापने के लिए एक सटीक उपकरण प्रस्तुत करता है, जो यह प्रकट करता है कि राइट मैप द्वारा संचालित इनपुट-निर्भर स्टेट पुनर्वितरण (input-dependent state reallocation), इनपुट-शेड्यूल्ड मोड प्रूनिंग को स्थिर विधियों की तुलना में काफी बेहतर बनाने और आधे स्टेट बजट पर अनप्रुन्ड (unpruned) प्रदर्शन के बराबर लाने में सक्षम बनाता है।
यह शोध पत्र एक मितव्ययी, हाइब्रिड न्यूरल आर्किटेक्चर सर्च फ्रेमवर्क प्रस्तावित करता है जो इमेज क्लासिफिकेशन और इम्बैलेंस्ड टैबुलर डेटा कार्यों के लिए कंज्यूमर-ग्रेड हार्डवेयर पर कॉम्पैक्ट, उच्च-प्रदर्शन वाले डीप लर्निंग मॉडल्स को कुशलतापूर्वक खोजने के लिए आर्टिफिशियल बी कॉलोनी एल्गोरिदम के साथ एक ट्रांसफॉर्मर-आधारित रीइन्फोर्समेंट लर्निंग कंट्रोलर को जोड़ता है।
यह शोध पत्र स्पेनिश डेटा पर विषयगत वर्गीकरण में अग्रणी मॉडलों की उत्कृष्टता को प्रदर्शित करते हुए, एक शिक्षण-फीडबैक वर्गीकरण प्रोटोकॉल की स्थायित्वता और क्रॉस-लैंग्वेज ट्रांसफर को प्रमाणित करता है, क्योंकि यह दर्शाता है कि सेंटीमेंट एनालिसिस के लिए मॉडल का चयन एक कार्यान्वयन संबंधी निर्णय है न कि एक पद्धतिगत आवश्यकता, क्योंकि सरल मॉडल स्पेनिश और अंग्रेजी दोनों संदर्भों में तुलनीय प्रदर्शन करते हैं।