25748 पेपर
यह शोध पत्र न्यूनतम विवरण लंबाई (minimum description length) के सिद्धांत पर आधारित एक स्केलेबल, नॉनपैरामीट्रिक ढांचे का प्रस्ताव करता है जो क्षेत्रों की संख्या पर पूर्व-निर्धारित बाधाओं की आवश्यकता के बिना, टाइम सीरीज़ डेटा से स्थानिक रूप से निरंतर क्षेत्रों और प्रतिनिधि टेम्पोरल ड्राइवरों को संयुक्त रूप से निष्कर्ष निकालता है।
यह शोध पत्र लर्नड नेबर ट्रस्ट (LNTrust) का प्रस्ताव करता है, जो विकेंद्रीकृत शिक्षण के लिए एक सर्वर-मुक्त और मॉडल-अज्ञेय (model-agnostic) प्रोटोकॉल है जहाँ नोड्स स्थानीय सत्यापन साक्ष्य से एक संक्षिप्त ट्रस्ट फंक्शन सीखते हैं ताकि प्रशिक्षण-समय डिस्टिलेशन को नियंत्रित किया जा सके और अनुमान (inference) के लिए विश्वसनीय पड़ोसियों का गतिशील रूप से चयन किया जा सके, जिससे विषम, संसाधन-सीमित वातावरण में तैनात सटीकता और संचार दक्षता में महत्वपूर्ण सुधार होता है।
यह शोध पत्र Graph-SND को प्रस्तुत करता है, जो एक स्केलेबल स्पार्स एग्रीगेशन विधि है जो मल्टी-एजेंट सुदृढीकरण शिक्षण में द्विघाती-लागत वाले सिस्टम न्यूरल डायवर्सिटी (SND) मीट्रिक का अनुमान लगाने के लिए मनमाने ग्राफ किनारों (edges) पर भारित औसत की गणना करती है, जिससे मीट्रिक के अर्थ संबंधी अर्थ को बदले बिना बड़े एजेंट समूहों के लिए कुशल व्यवहारिक विविधता मापन और नियंत्रण सक्षम होता है।
यह शोध पत्र \HEDGE को प्रस्तुत करता है, जो एक जनरेटिव मॉडल है जो उच्च-गुणवत्ता वाले, क्रम-अपरिवर्तनीय (permutation-equivariant) हाइपरग्राफ जनरेशन प्राप्त करने के लिए हाइपरग्राफ-विशिष्ट टू-साइडेड हीट ऑपरेटर के साथ रिलैक्स्ड इंसिडेंस मैट्रिसेस पर स्ट्रक्चर्ड स्टोकेस्टिक डिफ्यूजन का उपयोग करता है, जबकि उच्च-क्रम की अंतःक्रियाओं और संरचनात्मक विषमता को निष्ठापूर्वक कैप्चर करता है।
यह शोध पत्र एक संरचनात्मक "पूर्वानुमानित-कारण अंतराल" (predictive-causal gap) को एक असंभवता प्रमेय (impossibility theorem) के रूप में स्थापित करता है जो यह दर्शाता है कि न्यूरल नेटवर्क में पूर्वानुमान त्रुटि को न्यूनतम करना व्यवस्थित रूप से मॉडलों को लक्षित प्रणाली की कारण संरचना के बजाय पर्यावरणीय गतिकी को एनकोड करने के लिए प्रेरित करता है, जिससे आउट-ऑफ-डिस्ट्रीब्यूशन सामान्यीकरण में विनाशकारी विफलता होती है।
यह शोध पत्र प्रेफरेंस-बेस्ड सेल्फ-डिस्टिलेशन (PBSD) को प्रस्तुत करता है, जो एक नवीन ढांचा है जो शिक्षक और छात्र नमूनों के बीच प्रेफरेंस गैप्स को अनुकूलित करने के लिए पारंपरिक KL मैचिंग के स्थान पर एक रिवॉर्ड-रेगुलराइज्ड ऑब्जेक्टिव का उपयोग करता है, जिससे मौजूदा सेल्फ-डिस्टिलेशन विधियों की तुलना में अधिक स्थिर प्रशिक्षण और बेहतर रीजनिंग प्रदर्शन प्राप्त होता है।
पाइपर (Piper) एक ऐसा फ्रेमवर्क है जो बड़े पैमाने पर मिक्सचर-ऑफ-एक्सपर्ट्स (MoE) प्रशिक्षण में मेमोरी, संचार और वर्कलोड असंतुलन की चुनौतियों को दूर करने के लिए रिसोर्स मॉडलिंग और अनुकूलित पाइपलाइन पैरेललिज्म का उपयोग करता है, जिससे यह अत्याधुनिक प्रणालियों की तुलना में काफी उच्च GPU उपयोगिता और बैंडविड्थ प्राप्त करता है।
NGSIM डेटासेट से एक मिलियन से अधिक कार-फॉलोइंग अवलोकनों का विश्लेषण करते हुए, यह अध्ययन प्रकट करता है कि मंदी की तीव्रता (deceleration intensity) यह निर्धारित करती है कि ड्राइवर ब्रेकिंग निर्णयों के लिए गैप-क्लोजिंग रेट को प्राथमिकता देते हैं या विजुअल लूमिंग (visual looming) को, जबकि पारंपरिक स्पेसिंग हेडवे को नगण्य बना देती है, जिससे पारंपरिक ड्राइवर व्यवहार मॉडल को चुनौती मिलती है और स्वायत्त वाहन नियंत्रण के लिए महत्वपूर्ण अंतर्दृष्टि प्राप्त होती है।
यह शोध पत्र डायरेक्ट प्रोडक्ट फ्लो मैचिंग (DP-FM) का प्रस्ताव करता है, जो एक नया ढांचा है जो मौजूदा फ्लो मैचिंग विधियों में ज्यामितीय बाधाओं को दूर करने के लिए एक बेलनाकार मैनिफोल्ड (cylindrical manifold) पर रेडियल और एंगुलर डायनेमिक्स को अलग करता है, जिससे 11 बेंचमार्क में विजन-लैंग्वेज मॉडल्स के लिए अत्याधुनिक फ्यू-शॉट एडेप्टेशन प्राप्त होता है।
यह शोध पत्र 5G/6G नेटवर्क में AoA-आधारित आउटडोर लोकलाइजेशन के लिए एक अनुकूली ढांचे का प्रस्ताव करता है जो बड़े डेटासेट के लिए एक पदानुक्रमित ऑफलाइन दृष्टिकोण और छोटे डेटासेट के लिए एक ऑनलाइन इंक्रीमेंटल लर्निंग रणनीति का उपयोग करता है, जो व्यापक डेटा संग्रह अभियानों की आवश्यकता को कम करते हुए वास्तविक mMIMO-OFDM चैनल डेटा पर उच्च सटीकता और मजबूती प्रदर्शित करता है।