27306 पेपर
यह शोध पत्र CarCrashNet प्रस्तुत करता है, जो 14,000 से अधिक घटक-स्तरीय और 825 पूर्ण-वाहन क्रैश सिमुलेशन वाला एक बड़े पैमाने का ओपन-सोर्स बेंचमार्क है, साथ ही इसमें CrashSolver भी शामिल है, जो एक पदानुक्रमित न्यूरल सॉल्वर है जिसे डेटा-संचालित, एआई-संचालित संरचनात्मक क्रैश भविष्यवाणी और वाहन सुरक्षा में पुनरुत्पादक अनुसंधान को सक्षम करने के लिए डिज़ाइन किया गया है।
यह शोध पत्र पॉइसन-इक्वेशन सुधारों (Poisson-equation corrections) को मोरो-एनवेलप स्मूथिंग (Moreau-envelope smoothing) के साथ संयोजित करने वाले एक नवीन लयाप्टोव ड्रिफ्ट निर्माण (Lyapunov drift construction) को पेश करते हुए, मार्कोवियन शोर (Markovian noise) के तहत संकुचित अपेक्षित अपडेट्स (contractive expected updates) वाले स्टोकेस्टिक एप्रोक्सिमेशन और सुदृढीकरण लर्निंग (reinforcement learning) एल्गोरिदम के लिए लगभग निश्चित अभिसरण दरों (almost sure convergence rates) को स्थापित करता है, जो पावर-लॉ लर्निंग रेट्स के लिए और हार्मोनिक लर्निंग रेट्स के लिए के अत्यंत निकट की दरें प्राप्त करता है।
यह शोध पत्र "क्लासिफिकेशन फील्ड्स" (classification fields) को प्रस्तुत करता है, जो स्थानीय पैरेंट-टू-चाइल्ड रिफाइनमेंट नियमों का अनुमान लगाकर सीमित उदाहरणों से अनंत-गहराई वाली पदानुक्रमित क्लस्टर संरचनाओं को सीखने के लिए एक ढांचा है, और यह सिद्ध करता है कि इन नियमों को गहरे, ज्यामितीय रूप से सुसंगत पदानुक्रमों को उत्पन्न करने के लिए न्यूरल नेटवर्क द्वारा प्रभावी ढंग से अनुमानित किया जा सकता है।
यह शोध पत्र यह स्थापित करता है कि नियमितकृत कर्नेल लॉजिस्टिक क्लासिफायर (regularized kernel logistic classifiers), सीखे गए प्रेडिक्टर को एक आदर्श टेम्पलेट-स्तरीय नियम और टोकन ओवरलैप के कारण होने वाले विक्षोभ (perturbation) में विभाजित करके, टेम्पलेट-आधारित कार्यों में फ्रेश-सिंबल सामान्यीकरण (fresh-symbol generalization) प्राप्त कर सकते हैं, जो यह सिद्ध करता है कि वर्गीकरण मार्जिन (classification margins) का संरक्षण केवल शब्दावली के आकार पर नहीं, बल्कि इन टकरावों (collisions) की ज्यामिति पर निर्भर करता है।
यह शोध पत्र पहला सैद्धांतिक ढांचा प्रदान करता है जो यह प्रदर्शित करता है कि लीनियर ट्रांसफॉर्मर्स (linear Transformers) में चेन-ऑफ-थॉट (Chain-of-Thought) जनरेशन, टेम्पोरल डिफरेंस लर्निंग (temporal difference learning) के समतुल्य है, जो यह सिद्ध करता है कि यह प्रीट्रेनिंग लॉस (pretraining loss) के ग्लोबल मिनिमाइज़र के रूप में उभरते हुए पॉलिसी इवैल्यूएशन एरर (policy evaluation error) के ज्यामितीय अभिसरण (geometric convergence) को संचालित करता है।
यह शोध पत्र RRCM का प्रस्ताव करता है, जो एक रैंकिंग-संचालित ढांचा है जो LLM-आधारित अनुशंसाकर्ताओं (recommenders) को प्राकृतिक भाषा इंटरफेस के माध्यम से सहयोगी और मेटाडेटा स्मृतियों को गतिशील रूप से पुनर्प्राप्त करने और उन पर तर्क करने में सक्षम बनाता है, जिससे संदर्भ-दक्षता बाधाओं को दूर करने और अनुशंसा गुणवत्ता में सुधार करने के लिए ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन के माध्यम से सीधे पुनर्प्राप्ति निर्णयों को अनुकूलित किया जाता है।
यह शोध पत्र प्रदर्शित करता है कि एक सरल K-निकटतम-पड़ोसी (K-Nearest-Neighbor) आधारित आउटलियर हटाने वाला ह्यूरिस्टिक, रोबस्ट -मीन्स क्लस्टरिंग के लिए निरंतर-कारक सन्निकटन गारंटी (constant-factor approximation guarantees) और बेहतर अनुभवजन्य प्रदर्शन प्राप्त करता है, जो बिना किसी अतिरिक्त केंद्रों या जटिल एल्गोरिदम की आवश्यकता के, आउटलियर डिटेक्शन और क्लस्टरिंग तकनीकों को प्रभावी ढंग से जोड़ता है।
यह शोध पत्र ग्राफ विसंगति पहचान (Graph Anomaly Detection) के लिए एक व्यापक बेंचमार्क प्रस्तुत करता है जो वास्तविक तैनाती की चुनौतियों—विशेष रूप से मिलियन-स्केल ग्राफ, अत्यधिक विसंगति दुर्लभता और लुप्त विशेषताओं—के तहत मॉडलों का मूल्यांकन करता है, जिससे यह पता चलता है कि वर्तमान अत्याधुनिक विधियाँ अक्सर अपने प्रयोगशाला परिणामों की तुलना में उत्पादन वातावरण में स्केल करने या प्रदर्शन बनाए रखने में विफल रहती हैं।
यह शोध पत्र डिस्टिलेशन थ्रू रीजनिंग पाथ कम्प्रेशन (D-RPC) का प्रस्ताव करता है, जो एक ऐसी विधि है जो शिक्षक (teacher) के तर्क (rationales) को पुन: प्रयोज्य उच्च-स्तरीय रीजनिंग पथों के एक गतिशील रूप से बनाए रखे गए बैंक तक सीमित करके बड़े से छोटे भाषा मॉडलों में ज्ञान हस्तांतरण में सुधार करती है, जिससे पर्यवेक्षण शोर (supervision noise) कम होता है और मौजूदा डिस्टिलेशन तकनीकों की तुलना में कई रीजनिंग बेंचमार्क पर बेहतर प्रदर्शन प्राप्त होता है।
यह शोध पत्र MathlibPR को प्रस्तुत करता है, जो वास्तविक Lean/Mathlib4 पुल रिक्वेस्ट इतिहास से प्राप्त एक बेंचमार्क है, जिसका उद्देश्य LLMs और एजेंटों की मर्ज-तैयार योगदानों से गैर-मर्ज किए गए योगदानों के बीच अंतर करने की क्षमता का मूल्यांकन करना है, जो उनकी वर्तमान संघर्षों को प्रकट करता है और रिव्यूअर असिस्टेंट और रिवॉर्ड मॉडल विकसित करने के लिए इस बेंचमार्क की क्षमता को उजागर करता है।