25736 पेपर
यह योगदान ड्यूल-स्टेज रजिस्टर्स (DSR) को पेश करके डिफ्यूजन ट्रांसफॉर्मर्स (DiTs) में आउटलियर टोकन की समस्या की पहचान करता है और उसे संबोधित करता है, जो एक ऐसी विधि है जो एनकोडर और डिनोइज़र दोनों घटकों में आर्टिफैक्ट्स को प्रभावी ढंग से कम करती है और इमेज जनरेशन की गुणवत्ता में सुधार करती है।
यह शोध पत्र कॉन्वोल्यूशनल स्पार्स सपोर्ट एस्टिमेटर नेटवर्क (CSEN) का प्रस्ताव करता है, जो एक संक्षिप्त डीप लर्निंग मॉडल है जो संपीड़ित रूप से सेंस किए गए मापों को सीधे स्पार्स सिग्नल सपोर्ट इंडेक्स पर मैप करता है, जिससे वास्तविक समय में, कम लागत वाला विसंगति स्थानीयकरण सक्षम होता है और काफी कम गणनात्मक जटिलता के साथ स्पार्स सिग्नल रिकवरी प्रदर्शन को बढ़ाता है।
यह लेख एक नवीन कनवल्शनल स्पार्स सपोर्ट एस्टिमेटर नेटवर्क (CSEN) का प्रस्ताव करता है ताकि मॉडल-आधारित स्पार्स रिप्रजेंटेशन और डीप लर्निंग के बीच के अंतर को पाटकर छोटे डेटासेट की सीमाओं को दूर किया जा सके और चेस्ट एक्स-रे छवियों से कोविड-19 का वास्तविक समय में और सटीक पता लगाया जा सके।
यह शोध पत्र एक रोटेटेड डिटेक्शन ट्रांसफॉर्मर का प्रस्ताव करता है जो अधिक सटीक बाइपार्टाइट मैचिंग के लिए एक हॉउसडॉर्फ डिस्टेंस-आधारित कॉस्ट और स्टैटिक डिनोइजिंग की सीमाओं को दूर करने के लिए एक एडेप्टिव क्वेरी डिनोइजिंग पद्धति पेश करके ओरिएंटेड ऑब्जेक्ट डिटेक्शन में सुधार करता है, जिससे कई बेंचमार्क पर महत्वपूर्ण प्रदर्शन लाभ प्राप्त होता है।
यह शोध पत्र प्रूफ ऑफ ट्रेनिंग (PoT) को प्रस्तुत करता है, जो एक ऐसा प्रोटोकॉल है जो ऊर्जा-गहन प्रूफ-ऑफ-वर्क माइनिंग संसाधनों को सत्यापन योग्य मशीन लर्निंग मॉडल प्रशिक्षण में पुन: उपयोग करता है, और सैद्धांतिक विश्लेषण एवं कार्यान्वयन के माध्यम से यह प्रदर्शित करता है कि यह दृष्टिकोण विकेंद्रीकृत शिक्षण में तकनीकी अंतराल को संबोधित करते हुए उच्च थ्रूपुट, मजबूती और उन्नत नेटवर्क सुरक्षा प्राप्त करता है।
यह समीक्षा पत्र चिकित्सा इमेजिंग, ड्रग डिस्कवरी और क्लिनिकल डिसीजन सपोर्ट जैसे विविध स्वास्थ्य देखभाल अनुप्रयोगों में जनरेटिव एआई, विशेष रूप से डिफ्यूजन और ट्रांसफॉर्मर मॉडल्स में हालिया प्रगति का संश्लेषण करता है, साथ ही वर्तमान क्षमताओं, सीमाओं और भविष्य की अनुसंधान दिशाओं का मूल्यांकन भी करता है।
यह शोध पत्र AutoFLIP को प्रस्तुत करता है, जो एक ऐसा फेडरेटेड लर्निंग फ्रेमवर्क है जो सहयोगी लॉस लैंडस्केप एक्सप्लोरेशन (collaborative loss landscape exploration) का लाभ उठाकर क्लाइंट डेटा विषमता (heterogeneity) को एक लाभकारी विशेषता के रूप में पुनर्गठित करता है, जिससे एडेप्टिव प्रूनिंग (adaptive pruning) को निर्देशित किया जाता है, और इस प्रकार नॉन-आईआईडी (non-IID) सेटिंग्स में अत्याधुनिक सटीकता बनाए रखते हुए कंप्यूटेशनल और संचार ओवरहेड को महत्वपूर्ण रूप से कम किया जाता है।
यह शोध पत्र टैबुलर जनरेटिव मॉडलिंग के लिए एक एकीकृत ढांचा प्रस्तुत करता है जो डेटा फिडेलिटी (fidelity) में सुधार के लिए एक नवीन सहसंबंध- और वितरण-जागरूक लॉस फंक्शन (loss function) पेश करता है, उत्कृष्ट हाइपरपैरामीटर ट्यूनिंग के लिए एक इटरेटिव ऑब्जेक्टिव रिफाइनमेंट बेयसियन ऑप्टिमाइज़ेशन (IORBO) रणनीति का प्रस्ताव देता है, और बीस वास्तविक दुनिया के डेटासेट्स पर व्यापक बेंचमार्क के माध्यम से इन प्रगतियों को प्रमाणित करता है।
यह अध्ययन प्रदर्शित करता है कि मशीन लर्निंग मॉडल एक सिंथेटिक डेटासेट का उपयोग करके इन्वर्टर-प्रधान पावर ग्रिड्स की फॉल्ट-थ्रू संभावना (fault-through probability) की सटीक भविष्यवाणी कर सकते हैं और इन भविष्यवाणियों को IEEE-96 टेस्ट सिस्टम पर सफलतापूर्वक सामान्यीकृत कर सकते हैं, जिससे जोखिम मूल्यांकन के लिए पारंपरिक डायनेमिक सिमुलेशन के एक गणनात्मक रूप से कुशल विकल्प के रूप में यह प्रस्ताव प्रस्तुत होता है।
यह योगदान डिराक-बियाकोनी ग्राफ न्यूरल नेटवर्क (DBGNNs) को प्रस्तुत करता है, जो टोपोलॉजिकल डिराक समीकरण पर आधारित एक नवीन आर्किटेक्चर है जो सुसंगत दीर्घ-रेंज प्रसार (long-range propagation) को सक्षम बनाता है और पावर ग्रिड की स्थिरता के साथ-साथ पेप्टाइड गुणों के पूर्वानुमान में पारंपरिक डिफ्यूसिव मैसेज-पासिंग मॉडल से बेहतर प्रदर्शन करता है।