25739 पेपर
यह योगदान NFDRL प्रस्तुत करता है, जो डिस्ट्रीब्यूशनल रिइन्फोर्समेंट लर्निंग के लिए एक पैरामीटर-कुशल ढांचा है जो जटिल रिटर्न डिस्ट्रीब्यूशंस को एक संक्षिप्त फुटप्रिंट के साथ मॉडल करने के लिए निरंतर नॉर्मलाइजिंग फ्लो और एक नवीन ज्योमेट्री-अवेयर क्रेमर डिस्टेंस का लाभ उठाता है, जबकि सैद्धांतिक अभिसरण और एक निष्पक्ष ग्रेडिएंट अनुमान की गारंटी देता है।
यह शोध पत्र ग्राफ-कंडीशनल रिलेशनल डिफ्यूजन मॉडल (GRDM) को प्रस्तुत करता है, जो एक नवीन दृष्टिकोण है जो ग्राफ न्यूरल नेटवर्क का लाभ उठाकर किसी अनुक्रमिक क्रम को थोपे बिना एक रिलेशनल डेटाबेस में सभी तालिकाओं को संयुक्त रूप से उत्पन्न करता है, जिससे जटिल अंतर-तालिका निर्भरताओं को पकड़ने में ऑटोरेग्रेसिव बेसलाइनों से बेहतर प्रदर्शन और अत्याधुनिक फिडेलिटी प्राप्त होती है।
यह शोध पत्र ATR-Bench प्रस्तुत करता है, जो एक एकीकृत फेडरेटेड लर्निंग बेंचमार्क फ्रेमवर्क है जो विकेंद्रीकृत मॉडल प्रशिक्षण में मानकीकृत मूल्यांकन की कमी को दूर करने और निष्पक्ष तुलना को सुगम बनाने के लिए तीन मौलिक आयामों—अनुकूलन (Adaptation), विश्वास (Trust), और तर्क (Reasoning)—में विधियों का व्यवस्थित रूप से मूल्यांकन करता है।
यह शोध पत्र CreTTA का प्रस्ताव करता है, जो एक स्केलेबल टेस्ट-टाइम एडेप्टेशन विधि है जो मार्जिनल डिस्ट्रीब्यूशन लर्निंग को एक कंट्रास्टिव रेसिडुअल एनर्जी टास्क के रूप में पुनर्गठित करता है ताकि महंगी सैंपलिंग को समाप्त किया जा सके, सुव्यवस्थित भविष्यवाणियां सुनिश्चित की जा सकें, और अनिश्चित लेबल अनुमानों पर निर्भर हुए बिना ओवरफिटिंग को रोका जा सके।
यह शोध पत्र एक संशोधित ग्रेडिएंट डिसेंट एल्गोरिदम और एक एक्टिव लर्निंग स्कीम का उपयोग करते हुए, अज्ञात शोर वितरणों को डीकनवॉल्व करने और कई भौतिक प्रणाली अवलोकनों से पैरामीटर वितरणों का अनुमान लगाने के माध्यम से, ब्लैक-बॉक्स मॉडल के ऑटोमैटिक डिफरेंशिएशन को सक्षम करने और गणना को त्वरित करने के लिए पॉपुलेशनल इनवर्स समस्याओं को हल करने हेतु एक कुशल कार्यप्रणाली प्रस्तावित करता है।
यह शोध पत्र एक चयनात्मक जैकोबी डिकोडिंग रणनीति प्रस्तावित करता है जो देखे गए निर्भरता अतिरेक (dependency redundancy) का लाभ उठाकर समानांतर पुनरावृत्ति अनुकूलन (parallel iterative optimization) को सक्षम बनाता है, जिससे गुणवत्ता से समझौता किए बिना डिस्क्रीट ऑटोरेग्रेसिव नॉर्मलाइजिंग फ्लो के इन्फरेंस को तेज किया जा सकता है और 4.7 गुना तक तेज़ जनरेशन प्राप्त किया जा सकता है।
यह शोध पत्र एमएलपी (MLP) सक्रियणों (activations) को सह-सक्रिय न्यूरॉन्स से बनी विरल (sparse), व्याख्या योग्य विशेषताओं में विघटित करने के लिए सेमी-नॉन-नेगेटिव मैट्रिक्स फैक्टराइजेशन (SNMF) का उपयोग करने का प्रस्ताव करता है, जो यह प्रदर्शित करता है कि यह दृष्टिकोण कॉज़ल स्टीयरिंग (causal steering) में स्पार्स ऑटोएनकोडर और सुपरवाइज्ड बेसलाइन्स से बेहतर प्रदर्शन करता है और बड़े भाषा मॉडलों में अवधारणात्मक निरूपणों की एक पदानुक्रमित संरचना को प्रकट करता है।
यह शोध पत्र एपिस्टेमिक नियरेस्ट नेबर्स (ENN) को प्रस्तुत करता है, जो एक हल्का सरोगेट मॉडल है जो बेयसियन ऑप्टिमाइज़ेशन में गॉसियन प्रोसेस को प्रतिस्थापित करता है ताकि फिटिंग और एक्विज़िशन दोनों के लिए रैखिक स्केलिंग प्राप्त की जा सके, जिससे 50,000 अवलोकनों तक के परिदृश्यों में प्रस्ताव समय को एक से दो क्रम (ऑर्डर) कम किया जा सके।
यह शोध पत्र लेखकों के पिछले कार्य का विस्तार करते हुए यह प्रदर्शित करता है कि बाइनरी आर्टिफिशियल न्यूरल नेटवर्क्स की ट्रेनिंग डायनेमिक्स को पहले उपयोग किए गए फुल-मीट दृष्टिकोण के बजाय, विशेष रूप से डार्विच-पर्ल फ्रेमवर्क के भीतर लेक्सिकोग्राफिक रिवीज़न और मॉडरेट कॉन्ट्रैक्शन जैसे सुदृढ़ AGM-शैली के इटरेटेड बिलीफ चेंज ऑपरेशन्स का उपयोग करके अधिक प्रभावी ढंग से मॉडल किया जा सकता है।
यह लेख COM-QEL प्रस्तुत करता है, जो एक हाइब्रिड ऑफलाइन-आधारित अनुकूलन एल्गोरिदम है जो क्वांटम-एक्सट्रीमल लर्निंग को कंजर्वेटिव टारगेट मॉडल्स के साथ जोड़ता है ताकि अत्यधिक आशावादी एक्सट्रपलेशन को रोका जा सके और केवल पूर्व-निर्धारित डेटा का उपयोग करके उच्च-प्रदर्शन वाले समाधानों को विश्वसनीय रूप से पहचाना जा सके।