25429 पेपर
मेमोरी इनसेप्शन (Memory Inception) एक प्रशिक्षण-मुक्त विधि है जो लेटेंट अटेंशन लेयर्स में टेक्स्ट-व्युत्पन्न की-वैल्यू बैंकों को चुनि적으로 इंजेक्ट करके लार्ज लैंग्वेज मॉडल्स को निर्देशित करती है, जिससे पारंपरिक प्रॉम्प्टिंग और एक्टिवेशन स्टीयरिंग तकनीकों की तुलना में स्टोरेज ओवरहेड को काफी कम करते हुए बेहतर नियंत्रण और संरचित तर्क प्रदर्शन प्राप्त होता है।
यह शोध पत्र सॉफ्ट डिटर्मिनिस्टिक पॉलिसी ग्रेडिएंट (Soft-DPG) को प्रस्तुत करता है, जो एक नवीन सुदृढीकरण शिक्षण (reinforcement learning) ढांचा है जो क्रिटिक एक्शन-ग्रेडिएंट्स की आवश्यकता को समाप्त करने के लिए गॉसियन स्मूथिंग का उपयोग करता है, जिससे उन निरंतर नियंत्रण कार्यों में स्थिर शिक्षण और बेहतर प्रदर्शन सुनिश्चित होता है जहाँ मानक DPG विधियाँ विफल हो जाती हैं, विशेष रूप से विरल (sparse) या असतत (discrete) पुरस्कारों वाले मामलों में।
यह शोध पत्र सबग्राफ माइनिंग और बूटस्ट्रैप बेसलाइन को संयोजित करने वाले एक कैलिब्रेटेड डायग्नोस्टिक प्रोटोकॉल को प्रस्तुत करता है ताकि यह प्रदर्शित किया जा सके कि जबकि ग्राफ लैंग्वेज मॉडल शुरू में रटने (मेमोराइजेशन) पर निर्भर करते हैं, वे बड़े पैमाने पर, विशेष रूप से उच्च-आवृत्ति वाले पैटर्न के लिए, वास्तविक संरचनात्मक नियमितताओं को सीख सकते हैं, हालांकि दुर्लभ संरचनाओं तक उनके सामान्यीकरण की क्षमता सीमित बनी रहती है।
यह शोधपत्र रैंडम शफलिंग सबसॅम्पलिंग के साथ डिफरेंशियल प्राइवेट स्टोकेस्टिक ग्रेडिएंट डिसेंट (DP-SGD) के ट्रेड-ऑफ फंक्शन के लिए सटीक, पारदर्शी क्लोज्ड-फॉर्म ऊपरी और निचली सीमाएं स्थापित करता है, जो यह प्रदर्शित करता है कि यह विधि पॉइसन सबसॅम्पलिंग की तुलना में बेहतर व्याख्यात्मकता और अनुकूल गोपनीयता-उपयोगिता ट्रेड-ऑफ प्रदान करती है, विशेष रूप से उन स्थितियों में जहाँ नॉइज़ मल्टीप्लायर पर्याप्त रूप से बड़ा है।
यह शोधपत्र TARDIS को प्रस्तुत करता है, जो एक इन्फरेंस-टाइम रिफाइनमेंट फ्रेमवर्क है जो एक फ्रोजन प्री-ट्रेंड डिफ्यूजन बैकबोन के आउटपुट को ऑप्टिमाइज़ करने के लिए द्विदिश चैम्फर रिफाइनमेंट (Bidirectional Chamfer Refinement) का उपयोग करता है, जिससे सिंथेटिक-रियल गैप कम होता है और डाउनस्ट्रीम टास्क परफॉर्मेंस बिना रीट्रेनिंग के वास्तविक डेटा पर प्रशिक्षित मॉडल्स से भी बेहतर प्राप्त होती है।
यह शोधपत्र एंड-टू-एंड स्वायत्त ड्राइविंग के लिए एक पदानुक्रमित एट्रिब्यूशन फ्रेमवर्क प्रस्तावित करता है जो सहायक निगरानी मॉडलों पर निर्भर हुए बिना, प्लानिंग जोखिमों की प्रभावी ढंग से भविष्यवाणी करने और संभावित टक्करों की पहचान करने के लिए मल्टी-व्यू इनपुट से सांख्यिकीय संकेतों को निकालता है।
यह शोध पत्र फंक्शन प्रोजेक्शन फॉर फ्लो मैचिंग (FP-FM) का प्रस्ताव करता है, जो एक ऐसा एल्गोरिदम है जो वेग क्षेत्रों (velocity fields) के लिए आधार फलनों (basis functions) को सीखकर और अनुमान के समय लक्ष्य नमूनों को इस आधार पर प्रोजेक्ट करके, जनरेटिव मॉडल्स को अनदेखी वितरणों (unseen distributions) के लिए कुशल, प्रशिक्षण-मुक्त अनुकूलन सक्षम बनाता है।
यह शोध पत्र PACE को प्रस्तुत करता है, जो एक दो-चरणीय ढांचा है जो कॉम्पैक्ट, शक्तिशाली एन्सेम्बल मॉडल बनाने के लिए लर्नर्स के सैद्धांतिक सृजन और छंटनी (प्रूनिंग) के बीच बारी-बारी से कार्य करता है, साथ ही मूल एन्सेम्बल के प्रति निष्ठा पर सिद्धांतपूर्ण नियंत्रण सक्षम करता है।
LatentRAG एक अभिनव ढांचा है जो एजेंटिक RAG तर्क और पुनर्प्राप्ति (retrieval) को विविक्त भाषा स्थान (discrete language space) से निरंतर लेटेंट स्पेस (continuous latent space) में स्थानांतरित करता है, जिससे एंड-टू-एंड संयुक्त अनुकूलन सक्षम होता है और स्पष्ट बहु-चरणीय विधियों के तुलनीय प्रदर्शन बनाए रखते हुए अनुमान विलंबता (inference latency) को लगभग 90% तक कम किया जाता है।
यह शोध पत्र क्लास इम्बैलेंस (वर्ग असंतुलन) के तहत सेमी-सुपरवाइज्ड लर्निंग के लिए एक मल्टीमॉडल डीप जेनरेटिव मॉडल प्रस्तावित करता है जो साझा लेटेंट वेरिएबल्स, हेवी-टेल्ड डेटा विशेषताओं को कैप्चर करने के लिए स्टूडेंट टी-डिस्ट्रीब्यूशन और आंशिक रूप से लेबल किए गए, इम्बैलेंस्ड मल्टीमॉडल डेटासेट पर मौजूदा विधियों से बेहतर प्रदर्शन करने के लिए एक -पावर डाइवर्जेंस ऑब्जेक्टिव का लाभ उठाता है।