27461 पेपर
यह शोध पत्र count-FM को प्रस्तुत करता है, जो निरंतर-समय जन्म-मृत्यु प्रक्रियाओं (continuous-time birth-death processes) पर आधारित एक सिमुलेशन-मुक्त फ्लो-मैचिंग फ्रेमवर्क है, जो एकल-कोशिका आरएनए अनुक्रमण (single-cell RNA sequencing) और न्यूरल स्पाइक ट्रेनों (neural spike trains) जैसे उच्च-आयामी गणना डेटा (count data) को कुशलतापूर्वक उत्पन्न और परिवहन करता है, और नमूना गुणवत्ता एवं मॉडलिंग दक्षता में मौजूदा बेसलाइनों से बेहतर प्रदर्शन करता है।
यह अध्ययन प्रदर्शित करता है कि हाइपरपैरामीटर रिट्यूनिंग के बिना प्रत्येक पांच प्रोडक्शन बैचों के बाद एक निश्चित रिट्रेनिंग कैडेंस, अनिश्चितता परिमाणीकरण (अनसर्टेन्टी क्वांटिफिकेशन) के लिए कॉन्फॉर्मल प्रेडिक्शन के साथ मिलकर, प्रक्रिया विचलन (प्रोसेस ड्रिफ्ट्स) और उपकरण क्षरण के बावजूद सेमीकंडक्टर निर्माण में भविष्य कहनेवाला गुणवत्ता बनाए रखने के लिए एक गणनात्मक रूप से कुशल और सुदृढ़ MLOps ढांचा प्रदान करता है।
यह शोध पत्र यह तर्क देता है कि आवर्ती मॉडलों (recurrent models) में सुदृढ़ अवस्था ट्रैकिंग (robust state tracking) केवल सैद्धांतिक अभिव्यक्ति (theoretical expressivity) पर नहीं, बल्कि त्रुटि नियंत्रण गतिकी (error control dynamics) पर महत्वपूर्ण रूप से निर्भर करती है, जो यह प्रदर्शित करता है कि अफ़ाइन आवर्ती नेटवर्क (affine recurrent networks) दीर्घ-क्षितिज वाले कार्यों (long-horizon tasks) में अपरिहार्य रूप से विफल हो जाते हैं क्योंकि अवस्था-पृथक्करण त्रुटियों (state-separating errors) को सुधारने में उनकी अक्षमता, एक बार जब संचित इन-क्लास प्रसार (within-class spread) डिकोडर की पठनीयता सीमा (readability threshold) से अधिक हो जाता है, तो अनुमानित ट्रैकिंग पतन (tracking collapse) की ओर ले जाती है।
यह शोध पत्र एक ग्रेडिएंट-आधारित बाइलेवल (bilevel) विधि प्रस्तावित करता है जो कंपोजिट ग्रेडिएंट्स को डाउनस्ट्रीम उद्देश्यों के साथ संरेखित करके प्रीट्रेनिंग लॉस वेट्स (pretraining loss weights) को कुशलतापूर्वक ऑनलाइन सीखता है, जो रैंडम या बायेसियन सर्च की तुलना में हाइपरपैरामीटर ट्यूनिंग की कम्प्यूटेशनल लागत को काफी कम करता है और प्रदर्शन में सुधार करता है या उसके बराबर रहता है।
यह शोधपत्र नॉनडिटरमिनिस्टिक वेटेड ऑटोमेटा के लिए एक पैरामीट्रिक, SMT-आधारित एक्टिव लर्निंग एल्गोरिदम प्रस्तुत करता है जो न्यूनतम परिणाम सुनिश्चित करता है, परिमित सेमिंग (finite semirings) के लिए समाप्ति की गारंटी देता है, और व्यापक प्रयोगों में मौजूदा विधियों की तुलना में बेहतर दक्षता और संक्षिप्तता प्रदर्शित करता है।
यह शोध पत्र PFN-NPE को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त ढांचा है जो सिमुलेशन-आधारित बेयसियन अनुमान (Bayesian inference) के लिए प्री-ट्रेंड TabPFN मॉडल का एक बहुमुखी, मॉड्यूलर सारांश नेटवर्क के रूप में लाभ उठाता है, जो विविध सेटिंग्स में पोस्टीरियर वितरणों (posterior distributions) का प्रभावी ढंग से सन्निकटन करने की अपनी क्षमता का प्रदर्शन करता है और साथ ही मार्जिनल रिकवरी (marginal recovery) में अपनी खूबियों और संयुक्त पोस्टीरियर संरचनाओं (joint posterior structures) को पकड़ने में अपनी सीमाओं को भी रेखांकित करता है।
यह शोध पत्र POETS को पेश करता है, जो एक कंप्यूट-कुशल ढांचा है जो वैज्ञानिक खोज और सुदृढीकरण शिक्षण (रिनफोर्समेंट लर्निंग) कार्यों में अनिश्चितता-जागरूक थॉमसन सैंपलिंग करने के लिए साझा बैकबोन और स्वतंत्र LoRA शाखाओं के साथ पॉलिसी एंसेम्बल्स का लाभ उठाता है, जिससे अभूतपूर्व सैंपल दक्षता प्राप्त होती है।
यह शोध पत्र भाषा मॉडल के तर्क संबंधी निशानों (reasoning traces) के अनिश्चितता प्रोफाइल को परिमाणित और विश्लेषण करने की एक विधि प्रस्तुत करता है, जो यह प्रदर्शित करता है कि इन प्रोफाइलों में विशिष्ट पैटर्न उच्च सटीकता के साथ उत्तर की शुद्धता का पूर्वानुमान लगा सकते हैं और त्रुटि का शीघ्र पता लगाने में सक्षम हैं।
यह शोध पत्र "स्पेक्ट्रल सर्जरी" (Spectral Surgery) को प्रस्तुत करता है, जो एक पोस्ट-हॉक अनुकूलन तकनीक है जो बिना पुन: प्रशिक्षण के प्रति-वर्ग सटीकता को संतुलित करने के लिए हेसियन स्पाइक आइजनवेक्टर्स (Hessian spike eigenvectors) के साथ मॉडल वेट्स को सीधे विचलित करके असंतुलित डेटासेट पर वर्गीकरण प्रदर्शन में सुधार करती है।
यह शोध पत्र एक सहायक बेस-स्पेस (auxiliary base-space) को पेश करके न्यूरल ऑपरेटर्स को कुशल फंक्शन इंटरपोलेटर्स के रूप में पुनर्गठित करता है, और विश्लेषणात्मक बेंचमार्क तथा एक न्यूक्लियर मास मॉडल अनुप्रयोग के माध्यम से यह प्रदर्शित करता है कि वे मानक न्यूरल नेटवर्क की तुलना में काफी कम मापदंडों और तेज़ प्रशिक्षण समय के साथ अत्याधुनिक सटीकता प्राप्त करते हैं।