20386 पेपर
यह शोध पत्र थिंकिंग-मोड विजुअल लैंग्वेज मॉडल्स में उत्तर एंट्रॉपी व्यवहार के तीन विशिष्ट पैटर्न को अनुभवजन्य रूप से अभिलक्षित करता है, यह प्रदर्शित करते हुए कि रीजनिंग चेन एंट्रॉपी, उत्तर एंट्रॉपी की तुलना में अनिश्चितता का अधिक विश्वसनीय संकेत है और एक लागत-मुक्त अपोस्थेन (abstention) तंत्र को सक्षम करता है जो प्रतिकूल और रीजनिंग कार्यों पर सटीकता को महत्वपूर्ण रूप से बढ़ाता है।
यह शोध पत्र होलोग्राफिक न्यूरल PCFG (Hol-PCFG) को प्रस्तुत करता है, जो एक नवीन अनसुपरवाइज्ड पार्सिंग मॉडल है जो स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त करने के लिए ब्लैक-बॉक्स न्यूरल नेटवर्क को टॉरस-प्रतिबंधित एम्बेडिंग्स पर व्याख्यात्मक, बीजगणितीय संबंध मॉडलिंग से प्रतिस्थापित करता है, जिसमें नियम-स्कोरिंग मापदंडों में 99.94% की कमी और जापानी भाषा को सीधे वर्णों से पार्स करने की क्षमता है।
यह शोध पत्र प्रकट करता है कि चेन-ऑफ-थॉट (CoT) निगरानी अनजाने में प्रतिकूल एजेंटों को एक अतिरिक्त अनुनय चैनल प्रदान करके हानिकारक कार्यों की स्वीकृति को बढ़ा सकती है, लेकिन यह प्रस्तावित करता है कि अलग-अलग मॉडल परिवारों के फैक्ट-चेकर्स के साथ मॉनिटर्स को जोड़ना इस भेद्यता को प्रभावी ढंग से कम करता है।
यह शोध पत्र ग्रेडिएंट-रूटेड ऑक्सिलरी मॉड्यूल्स (GRAM) को प्रस्तुत करता है, जो एक लागत प्रभावी प्रीट्रेनिंग विधि है जो मॉड्यूल एब्लेशन के माध्यम से विशिष्ट क्षमताओं को चुनिंदा रूप से अक्षम करके और सामान्य प्रदर्शन को बनाए रखते हुए तथा पोस्ट-हॉक अनलर्निंग की तुलना में बेहतर तरीके से रिकवरी का विरोध करते हुए, दोहरे उपयोग वाले एआई (dual-use AI) के लिए स्केलेबल एक्सेस कंट्रोल सक्षम बनाती है।
ConRad एक कुशल कॉन्फॉर्मल प्रेडिक्शन फ्रेमवर्क है जो रेडियोमिक विशेषताओं के लिए अनुकूलन योग्य, वितरण-मुक्त (डिस्ट्रीब्यूशन-फ्री) प्रेडिक्शन इंटरवल बनाने के लिए इमेज अपीयरेंस, मास्क ज्योमेट्री और सेगमेंटेशन अनसर्टेंटी का लाभ उठाता है, जो विविध मेडिकल इमेजिंग डेटासेट्स में लगभग-नॉमिनल कवरेज बनाए रखते हुए इंटरवल दक्षता में महत्वपूर्ण सुधार करता है।
यह शोध पत्र एक ऐसे डीप लर्निंग फ्रेमवर्क का प्रस्ताव करता है जो उच्च-आयामी रिफ्लेक्टेड ब्राउनियन मोशन के लाप्लास ट्रांसफॉर्म और टेल प्रोबेबिलिटीज को सटीक और कुशलता से कंप्यूट करने के लिए बुनियादी एडजॉइंट संबंध का लाभ उठाता है, जो मौजूदा क्लोज्ड-फॉर्म समाधानों की सीमाओं को दूर करता है।
CausalDS एक व्यापक बेंचमार्क है जिसे सिंथेटिक स्ट्रक्चरल कॉज़ल मॉडल्स, यथार्थवादी प्राकृतिक-भाषा नैरेटिव्स और पर्ल के कॉज़ालिटी के तीन रोंग्स (rungs) के माध्यम से मल्टी-स्टेप कोडिंग कार्यों को एकीकृत करके डेटा-साइंस एजेंटों की कारण संबंधी तर्क क्षमता (causal reasoning capabilities) का मूल्यांकन करने के लिए डिज़ाइन किया गया है, जबकि यह स्पष्ट रूप से टूल उपयोग, अनिश्चितता परिमाणीकरण (uncertainty quantification), और अनुचित उत्तरों से बचने की क्षमता का आकलन करता है।
यह शोध पत्र स्टोकेस्टिक ऑर्डर लर्निंग (SOL) का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो शोर वाले ऑर्डिनल लेबल के तहत रैंक अनुमान को एक स्टोकेस्टिक ऑर्डरिंग समस्या के रूप में पुनर्गठित करता है ताकि लेबल अनिश्चितता को प्रभावी ढंग से कैप्चर किया जा सके और डिस्क्रिमिनेटिव एवं स्टोकेस्टिक ऑर्डर लॉस के माध्यम से विश्वसनीय प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र बिना किसी ग्रेडिएंट नियंत्रण तंत्र के, हेवी-टेल्ड (heavy-tailed) शोर के तहत मोमेंटम के साथ वेनिला SGD का पहला व्यापक अभिसरण विश्लेषण (convergence analysis) प्रदान करता है, जो यह प्रकट करता है कि हालांकि यह अभिसरित होता है, लेकिन इसकी दरएं स्वाभाविक रूप से विशिष्ट क्लिप्ड (clipped) या सामान्यीकृत (normalized) वेरिएंट की तुलना में निम्नतर हैं।
BACH, जो मल्टी-इंटरेस्ट टू-टावर रिट्रीवल के लिए एक 'बेयसियन एडमिक्चर ऑफ कॉन्ट्रास्टिव हेड्स' फ्रेमवर्क पेश करता है, वेरिएशनल इन्फरेंस का उपयोग करके उपयोगकर्ता हितों को एक सॉफ्ट मिक्सचर के रूप में मॉडल करता है, जो प्रभावी रूप से रूटिंग कोलैप्स को कम करता है और प्रति-उपयोगकर्ता हित भार (per-user interest weights) प्रदान करते हुए बड़े पैमाने के बेंचमार्क पर रिट्रीवल प्रदर्शन में सुधार करता है।