19766 पेपर
यह शोध पत्र FLITE को प्रस्तुत करता है, जो एक फेडरेटेड लर्निंग फ्रेमवर्क है जो छोटे, साझा एफ़ाइन लेटेंट वेक्टर्स और एक लो-रैंक डेल्टा फॉर्मूलेशन से मॉडल वेट्स जेनरेट करके बैंडविड्थ में भारी कमी (8,718x तक) प्राप्त करता है, जिससे प्रति क्लाइंट प्रति राउंड केवल ~5 KB संचार के साथ उच्च-सटीक फाइन-ट्यूनिंग सक्षम होती है।
यह शोध पत्र एक डीप वायरलेस फिजिकल न्यूरल नेटवर्क प्रस्तावित करता है जो मल्टी-हॉप MIMO रिले का उपयोग करता है, जहाँ पावर एम्पलीफायर नॉन-लिनियरिटी (गैर-रैखिकता) एक्टिवेशन फंक्शन के रूप में कार्य करती है, जो इमेज क्लासिफिकेशन जैसे कार्यों के लिए एंड-टू-एंड ट्रेन करने योग्य ओवर-द-एयर इन्फरेंस को सक्षम बनाती है और हार्डवेयर नॉन-लिनियरिटी से प्रदर्शित प्रदर्शन लाभ प्रदान करती है।
यह शोध पत्र "डिकोड-टाइम ग्रामर्स" (decode-time grammars) प्रस्तुत करता है, जो एक ऐसी विधि है जो विविध प्रोग्रामिंग सतहों (programming surfaces) पर बड़े भाषा मॉडलों द्वारा अर्थपूर्ण रूप से सही और अपरिभाषित संदर्भों से मुक्त कोड उत्पन्न करने को सुनिश्चित करने के लिए जनरेशन के दौरान रनटाइम वातावरण से व्याकरण के अंशों को गतिशील रूप से इंस्टेंटिएट करती है।
यह शोधपत्र SIFT को प्रस्तुत करता है, जो एक स्व-सुधार प्रणाली (self-improving system) है जो कम-आत्मविश्वास वाले मामलों के लिए एक लागत-प्रभावी CPU पाइपलाइन से लेकर एक LLM जज तक विस्तृत (escalated) प्रक्रिया का उपयोग करती है, जो एक फ्रोजन-गेट प्रमोशन तंत्र (frozen-gate promotion mechanism) के माध्यम से निरंतर और सुरक्षित मॉडल परिशोधन को सक्षम बनाती है जो अग्रिम लेबलिंग परियोजनाओं की आवश्यकता को समाप्त करती है और सीमांत लेबलिंग लागतों को शून्य की ओर ले जाती है।
यह शोध पत्र "फिजिकल सेल्फ-सुपरवाइज्ड लर्निंग" का प्रस्ताव करता है, जो कि एक नवीन लेबल-मुक्त (label-free) फ्रेमवर्क है जो IMU सेंसिंग के लिए है और जो ट्रैकिंग तथा मोशन कैप्चर त्रुटियों को महत्वपूर्ण रूप से कम करने के साथ-साथ लागत प्रभावी लेबल वाले डेटा की सीमाओं और विभिन्न उपकरणों एवं उपयोगकर्ताओं के बीच खराब सामान्यीकरण (generalization) की बाधाओं को दूर करने के लिए सीखने योग्य काइनेमैटिक समीकरणों और संरचित लेटेंट स्पेस को एकीकृत करता है।
यह अध्ययन यह प्रदर्शित करता है कि ट्रांसफॉर्मर के प्रदर्शन के लिए फीड-फॉरवर्ड नेटवर्क अनिवार्य रूप से आवश्यक नहीं हैं, क्योंकि अटेंशन-ओनली मॉडल (SANs) जो पैरामीटर्स, कंप्यूट और गहराई के मामले में समान हैं, मानक ट्रांसफॉर्मरों के लगभग समान लॉस (loss) प्राप्त करते हैं, और शेष मामूली अंतर केवल पैरामीट्रिक रिकॉल (parametric recall) के अंतर के कारण है न कि संरचनात्मक सीमाओं के कारण।
यह शोध पत्र ओवरपैरामीटराइज्ड मॉडल्स में पैरामीटर सिमिट्रीज़ से उत्पन्न होने वाले रेडंडेंट KL डाइवर्जेंस को समाप्त करने के लिए कोटिएंट प्रेडिक्टर स्पेस पर एक ज्योमेट्री-इंड्यूस्ड इम्प्लिसिट-बायस प्रायर प्रस्तावित करता है, जिससे PAC-बेयस जनरलाइजेशन बाउंड्स को कड़ा किया जा सके और फूरियर रिग्रेशन एवं क्वेरी-की अटेंशन टास्क में महत्वपूर्ण अनुभवजन्य सुधार प्रदर्शित किए जा सकें।
Relay-Bench एक समग्र, केवल-टेक्स्ट बेंचमार्क है जिसे बहु-डोमेन तर्क श्रृंखलाओं (multi-domain reasoning chains) पर बड़े भाषा मॉडलों का मूल्यांकन करने के लिए डिज़ाइन किया गया है, जो असंतृप्त मिश्रित समस्याएँ प्रस्तुत करता है जिनमें एक ही प्रॉम्प्ट के भीतर कोडिंग, गणित और वेब सर्च जैसे विविध कौशलों को एकीकृत करने की आवश्यकता होती है, जहाँ अग्रणी मॉडल GPT-5.5 (xHigh) 43.3% का स्कोर प्राप्त करता है।
यह शोधपत्र CANDOR को प्रस्तुत करता है, जो एक चांस-कैलिब्रेटेड डिसॉर्डेंस (chance-calibrated discordance) मीट्रिक है जो यह प्रकट करता है कि फ्रोजन फाउंडेशन एनकोडर्स (frozen foundation encoders) स्वाभाविक रूप से चिकित्सा निष्कर्षों के प्रति अंधे नहीं होते हैं, बल्कि वे कमजोर ज्यामितीय पृथक्करण (weak geometric separation) और खराब हेड चयन (poor head selection) से ग्रस्त होते हैं, जैसा कि उनके उच्च नियरस्ट-नेबरर एरर रेट्स (nearest-neighbor error rates) से सिद्ध होता है, भले ही हल्के हेड (lightweight heads) मजबूत प्रदर्शन प्राप्त कर लेते हों।
यह अध्ययन प्रदर्शित करता है कि स्कीमा प्रवर्तन (schema enforcement) के बिना भी, JSON जैसे संरचित आउटपुट प्रारूपों की मांग करना, 44 भाषा मॉडलों में उत्तरों की विविधता को काफी कम कर देता है और प्रमुख प्रतिक्रियाओं की ओर मॉडल अभिसरण (convergence) को बढ़ाता है, जो यह प्रकट करता है कि केवल प्रॉम्प्ट का रजिस्टर ही—न कि डिकोडिंग बाधाएं—मॉडल व्यवहार के मापने योग्य समरूपीकरण (homogenization) को संचालित करता है।