20360 पेपर
यह शोधपत्र REGRIND को प्रस्तुत करता है, जो एक न्यूनतम पाइपलाइन है जो रिटारगेटिंग-गाइडेड सुदृढीकरण लर्निंग (reinforcement learning) को ज़ीरो-शॉट सिम-टू-रियल ट्रांसफर के साथ जोड़ता है ताकि केवल एक एकल मानव प्रदर्शन का उपयोग करके मल्टी-फिंगर्ड रोबोट्स पर डेक्सट्रस, कॉन्टैक्ट-रिच मैनिपुलेशन कार्यों को सक्षम किया जा सके।
यह शोध पत्र एक सैद्धांतिक ढांचा प्रस्तुत करता है जो यह प्रदर्शित करता है कि सामान्यीकृत आगमनात्मक तर्क (inductive reasoning) कार्यों पर ट्रांसफॉर्मर की शिक्षण गतिशीलता (learning dynamics) एक निम्न-आयामी अपरिवर्तनीय मैनिफोल्ड (low-dimensional invariant manifold) तक सीमित है, जो इन-कॉन्टेक्स्ट बनाम इन-वेट्स लर्निंग के लक्षण वर्णन, प्रारंभिक स्थिति (initialization) के आधार पर सर्किट चयन की भविष्यवाणी, और सीखे गए सर्किट्स के स्वचालित पता लगाने को सक्षम बनाती है।
यह शोध पत्र एक यादृच्छिक फूरियर विश्लेषणात्मक एल्गोरिदम प्रस्तुत करता है जो कि बहुपदीय नमूना और कम्प्यूटेशनल जटिलता के साथ, मनमाने आयामों में गोलाकार गाऊसी मिश्रणों (spherical Gaussian mixtures) के केंद्रों और भारों को सीखता है, जो कि गैर-स्थिर आयामी व्यवस्थाओं में पिछली सीमाओं को पार करते हुए सटीक सीमाएँ प्राप्त करता है।
यह शोध पत्र एक सैद्धांतिक रूप से आधारित, गोपनीयता-संरक्षित बहुविध कंट्रास्टिव लर्निंग फ्रेमवर्क प्रस्तावित करता है जो इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड से संरचित कोड और असंरचित नोट्स को प्रभावी ढंग से एकीकृत करता है ताकि एकल-मोडलिटी दृष्टिकोणों से बेहतर प्रदर्शन किया जा सके और नैदानिक उपयोगिता प्रदर्शित की जा सके।
यह शोधपत्र LDPKiT प्रस्तुत करता है, जो एक गोपनीयता-संरक्षण ढांचा (privacy-preserving framework) है जो स्थानीय डेटा से अनुमानित इन-डिस्ट्रीब्यूशन नमूने उत्पन्न करने के लिए एक नवीन सुपरइम्पोजिशन तकनीक का उपयोग करता है, जिससे मजबूत गोपनीयता स्तरों पर भी उच्च उपयोगिता बनाए रखते हुए स्थानीय विभेदक गोपनीयता (local differential privacy) के तहत प्रभावी मॉडल डिस्टिलेशन सक्षम होता है।
GraphSeg एक ऐसा फ्रेमवर्क है जो गहराई के डेटा के बिना विरल (sparse) 2D छवियों से सुसंगत 3D ऑब्जेक्ट सेगमेंटेशन उत्पन्न करता है, जो सेगमेंटेशन को ग्राफ एज एडिशन और कॉन्ट्रैक्शन समस्या के रूप में स्वरूपित करके असंरचित वातावरण में मजबूत रोबोटिक हेरफेर को सक्षम बनाता है।
यह शोध पत्र ज्यामितीय विस्थापन (geometric shifting) और सहप्रसरण हेरफेर (covariance manipulation) को एलएलएम (LLMs) में व्हाइट-बॉक्स मॉनिटर से बचने के लिए सक्षम करने वाले प्रमुख तंत्रों के रूप में पहचानता है और सेफ्टीनेट (SafetyNet) का प्रस्ताव करता है, जो एक सुदृढ़ एंसेम्बल रक्षा (robust ensemble defense) है जो कई मॉडल परिवारों और बेंचमार्क में लगभग पूर्ण डिटेक्शन प्रदर्शन प्राप्त करता है।
यह शोध पत्र कई हस्तक्षेपों (interventions) के तहत स्टेशनरी वितरण नमूनों (stationary distribution samples) से स्टोकेस्टिक डिफरेंशियल इक्वेशंस (stochastic differential equations) के मापदंडों को विशिष्ट रूप से पुनः प्राप्त करने के लिए पहले प्रमाणित सीमाएँ (provable bounds) स्थापित करता है, जो रैखिक और लघु-शोर गैररेखीय (small-noise nonlinear) दोनों मामलों के लिए सैद्धांतिक गारंटी प्रदान करता है और जीन नियामक गतिकी (gene regulatory dynamics) के मॉडलिंग में व्यावहारिक लाभ प्रदर्शित करता है।
STITCH-OPE एक मॉडल-आधारित जनरेटिव फ्रेमवर्क है जो गाइडेड डिफ्यूजन और ट्रजेक्टरी स्टिचिंग का लाभ उठाता है ताकि उच्च-आयामी, लंबे-क्षितिज वाले परिवेश में मौजूदा ऑफ-पॉलिसी इवैल्यूएशन विधियों की सीमाओं को दूर किया जा सके, जिससे महत्वपूर्ण रूप से कम वेरिएंस और बेहतर सटीकता प्राप्त होती है।
यह शोध पत्र Bi-JCR को प्रस्तुत करता है, जो एक ऐसा फ्रेमवर्क है जो 3D फाउंडेशन मॉडल्स का लाभ उठाकर द्वि-हस्त (bi-manual) रोबोट कैमरों के मार्कर-मुक्त, संयुक्त अंशांकन (calibration) और सीधे RGB छवियों से एक एकीकृत, स्केल-सुसंगत 3D दृश्य प्रतिनिधित्व के निर्माण को सक्षम बनाता है, जिससे द्वि-हस्त समन्वय कार्यों को सुगम बनाया जा सके।