27461 पेपर
यह शोध पत्र Fed-Listing को प्रस्तुत करता है, जो एक नवीन ग्रेडिएंट-आधारित हमला है जो केवल अंतिम-परत (final-layer) के ग्रेडिएंट्स का उपयोग करके फेडरेटेड ग्राफ न्यूरल नेटवर्क में क्लाइंट्स के निजी लेबल वितरण सांख्यिकी (private label distribution statistics) का प्रभावी ढंग से अनुमान लगाता है, जो वर्तमान रक्षा तंत्रों के प्रति लचीला रहते हुए मौजूदा बेसलाइन की तुलना में काफी बेहतर प्रदर्शन करता है।
DisRFM एक ज्यामिति-जागरूक ग्राफ डोमेन अनुकूलन ढांचा है जो स्थिरांक-वक्रता वाले मैनिफोल्ड्स पर पोलर रिमानियन फ्लो मैचिंग का लाभ उठाता है ताकि टोपोलॉजिकल संरचनाओं को संरक्षित किया जा सके और अनुकूलन को स्थिर किया जा सके, जिससे यह सिमेंटिक और टोपोलॉजिकल डोमेन शिफ्ट के तहत मौजूदा यूक्लिडियन एडवरसेरियल विधियों से बेहतर प्रदर्शन करता है।
यह योगदान सांख्यिकीय सदस्यता अनुमान (Statistical Membership Inference - SMI) को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त ऑडिटिंग फ्रेमवर्क है जो मॉडल विस्मरण (model forgetting) के सत्यापन को गैर-सदस्य मिश्रण अनुपातों (non-member mixture proportions) के अनुमान की समस्या के रूप में पुनर्गठित करके पारंपरिक सदस्यता अनुमान हमलों की मौलिक सीमाओं और कम्प्यूटेशनल ओवरहेड को दूर करता है, जिससे सैद्धांतिक गारंटियों के साथ अधिक विश्वसनीय और कुशल प्रदर्शन मूल्यांकन सक्षम होता है।
यह शोध पत्र संवेदनशीलता संबंधी बाधाओं के कारण यह सिद्ध करते हुए इस खुले प्रश्न का समाधान करता है कि क्या एक-परत वाले ट्रांसफॉर्मर PARITY कार्य को कंप्यूट कर सकते हैं कि वे ऐसा नहीं कर सकते, और साथ ही एक व्यावहारिक चार-परत वाले ट्रांसफॉर्मर निर्माण को प्रस्तुत करता है जो लंबाई-निर्भर पोजीशनल एनकोडिंग या हार्डमैक्स जैसे पहले से आवश्यक अव्यवहारिक अनुमानों पर निर्भर किए बिना PARITY को हल करता है।
यह शोध पत्र HyQuRP को प्रस्तुत करता है, जो एक हाइब्रिड क्वांटम-क्लासिकल न्यूरल नेटवर्क फ्रेमवर्क है जो एक साथ रोटेशनल (घूर्णी) और परम्यूटेशनल (क्रमपरिवर्तनी) इक्विवैरिएंस (समरूपता) प्राप्त करता है, और स्पार्स 3D पॉइंट क्लाउड वर्गीकरण कार्यों पर क्लासिकल और क्वांटम बेसलाइन की तुलना में बेहतर डेटा दक्षता और सटीकता प्रदर्शित करता है।
यह शोधपत्र एक प्रशिक्षण-मुक्त, गणनात्मक रूप से कुशल विधि प्रस्तुत करता है जो उच्च-आयामी संरचित आउटपुट स्पेस में प्रभावी अनिश्चितता परिमाणीकरण और सैंपलिंग को सक्षम करने के लिए नॉनकन्फॉर्मिटी स्कोर द्वारा प्रेरित फ्लो-आधारित गतिकी का लाभ उठाती है, जिससे कॉन्फॉर्मल प्रेडिक्टिव वितरण उत्पन्न होते हैं।
यह शोध पत्र स्ट्रक्चरल लर्निंग थ्योरी (StrLT) को प्रस्तुत करता है, जो एक समस्या को कवर करने के लिए आवश्यक संकुचनशील कोशिकाओं (contractive cells) की न्यूनतम संख्या को "चौड़ाई" (width) के रूप में परिभाषित करके गैर-स्थिर संदर्भों (non-stationary contexts) की खोज की चुनौती का समाधान करता है, एक चरण संक्रमण (phase transition) प्रदर्शित करता है जहाँ अपर्याप्त कोशिकाएं अपरिहार्य त्रुटि का कारण बनती हैं, और इस चौड़ाई का कुशलतापूर्वक अनुमान लगाने तथा ओपन-एंडेड वातावरण में सीखने की लागत को कम करने के लिए कॉन्ट्रैक्टिव-सिमिलैरिटी ऑपरेटर और मेट्रिक स्लिंगशॉट का प्रस्ताव करता है।
यह शोध पत्र प्रदर्शित करता है कि अनुक्रमिक डेटा (sequential data) पर फ्लो मैचिंग (flow matching) प्रभावी रूप से एक मेमोरी-ऑगमेंटेड, नॉनपैरामीट्रिक डायनेमिकल सिस्टम के रूप में कार्य करता है जो तात्कालिक वेगों (instantaneous velocities) के समानता-भारित मिश्रण (similarity-weighted mixture) के माध्यम से देखे गए ट्रांज़िशन को पुन: प्रस्तुत करता है, जिससे फ्रीएफएम (FreeFM) का विकास होता है, जो एक ट्रेनिंग-फ्री सैंपलर है जो ऐतिहासिक डेटा से सीधे सुदृढ़ संभाव्यता पूर्वानुमान (probabilistic forecasting) प्राप्त करता है।
यह शोध पत्र पर्सेप्टिव ह्यूमनॉइड पार्कोर (PHP) को प्रस्तुत करता है, जो एक मॉड्यूलर फ्रेमवर्क है जो कौशल संश्लेषण के लिए मोशन मैचिंग को धारणा-संचालित सुदृढीकरण लर्निंग (परसेप्शन-ड्रिवन रीइन्फोर्समेंट लर्निंग) के साथ जोड़ता है ताकि ह्यूमनॉइड रोबोटों को वास्तविक दुनिया के वातावरण में गतिशील अनुकूलन क्षमता के साथ जटिल, दीर्घ-क्षितिज वाले पार्कोर कार्यों को स्वायत्त रूप से निष्पादित करने में सक्षम बनाया जा सके।
यह शोध पत्र MARVL को प्रस्तुत करता है, जो एक बहु-चरणीय मार्गदर्शन ढांचा (multi-stage guidance framework) है जो स्थानिक और अर्थ संबंधी निरंतरता (spatial and semantic consistency) के लिए विजन-लैंग्वेज मॉडल्स को फाइन-ट्यून करता है ताकि स्वचालित रूप से डेंस रिवॉर्ड्स (dense rewards) उत्पन्न किए जा सकें, जो मौजूदा तरीकों की तुलना में रोबोटिक सुदृढीकरण लर्निंग (robotic reinforcement learning) कार्यों में सैंपल दक्षता और मजबूती में महत्वपूर्ण सुधार करता है।