19766 पेपर
यह शोध पत्र ABOPD को प्रस्तुत करता है, जो एक एंटीबॉडी CDR डिज़ाइन फ्रेमवर्क है जो मॉडल-जनरेटेड ट्रेजेक्टरीज (trajectories) को सुपरवाइज़ करने के लिए प्रिविलेज्ड नेटिव ज्योमेट्री (privileged native geometry) के साथ ऑन-पॉलिसी डिस्टिलेशन (on-policy distillation) का उपयोग करता है, जिससे मानक विधियों की तुलना में CDR-H3 लूप जनरेशन में स्ट्रक्चरल रिकवरी में महत्वपूर्ण सुधार होता है और RMSD कम होता है।
यह शोध पत्र कोवेरियेंस रिग्रेट फंक्शनल (covariance regret functional) के लिए एक पूर्ण अवकल सिद्धांत (derivative theory) स्थापित करता है, यह प्रदर्शित करते हुए कि इसकी ग्रेडिएंट संरचना न्यूनतम-विचरण पोर्टफोलियो (minimum-variance portfolios) से लेकर एलएलएम-आधारित आवंटन (LLM-based allocation) तक के अनुप्रयोगों के लिए कुशल अनुकूलन रणनीतियों को सक्षम बनाती है।
यह शोध पत्र एक भौतिकी-सूचित सुपर-रिज़ॉल्यूशन (PISR) पद्धति प्रस्तुत करता है जो भौतिक निरंतरता सुनिश्चित करने के लिए हाइड्रोस्टेटिक प्रिमिटिव समीकरणों के साथ मशीन लर्निंग-आधारित वायुमंडलीय डाउनस्केलिंग को नियंत्रित करता है, जिससे पुनर्निर्माण की निष्ठा और चरम मौसम की घटनाओं का पता लगाने की क्षमता में सुधार होता है।
यह शोध पत्र लोकल लेबल-इन्फॉर्म्ड फीचर ट्रांसफर (LLIFT) को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो पिक्सेल-स्तरीय एनोटेशन के बिना प्रशिक्षित GAN या डिफ्यूजन-आधारित मॉडलों का उपयोग करके स्थानिक रूप से नियंत्रित लीजन्स (lesions) के साथ यथार्थवादी अर्ध-सिंथेटिक ब्रेन MRI चित्र उत्पन्न करता है, जिससे मेडिकल इमेजिंग में एक्सप्लेनेबल एआई (Explainable AI) विधियों को मान्य करने के लिए विश्वसनीय ग्राउंड-ट्रुथ डेटासेट तैयार होते हैं।
यह शोध पत्र RAMP को प्रस्तुत करता है, जो एक नवीन अनसुपरवाइज्ड लर्निंग विधि है जो जटिल उच्च-आयामी डेटा के लिए अभिव्यंजक मॉडलों में लेटेंट-वैरिएबल वितरणों को कुशलतापूर्वक पुनः प्राप्त करने के लिए एक लचीले, नॉनलीनियर, एमोर्टाइज्ड मैसेज-पासिंग फ्रेमवर्क का लाभ उठाता है, जो पारंपरिक संभाव्य दृष्टिकोणों की स्केलेबिलिटी और ट्रैक्टेबिलिटी सीमाओं को दूर करता है।
यह शोध पत्र KALE को प्रस्तुत करता है, जो एक अनुकूली लॉस-इक्विलिब्रेशन (loss-equilibration) नियंत्रक है जो शोर वाले वेब-स्केल डेटा पर फिक्स्ड-वेट कर्नेल अलाइनमेंट की विफलता को दूर करने के लिए अलाइनमेंट टर्म को गतिशील रूप से रीस्केल करता है, जिससे स्थिर CLIP-DINOv2 प्रशिक्षण सक्षम होता है जो टेक्स्ट-एनकोडर अनुकूलता को बनाए रखते हुए ज़ीरो-शॉट प्रदर्शन में महत्वपूर्ण सुधार करता है।
यह शोध पत्र लो-डेटा न्यूरल सिस्टम आइडेंटिफिकेशन कार्यों में कैलिब्रेटेड अनसर्टेन्टी क्वांटिफिकेशन और रोबस्ट परफॉरमेंस प्राप्त करने के लिए एमोर्टाइज्ड वेरिएशनल इन्फरेंस और लैप्लेस एप्रोक्सिमेशन का उपयोग करते हुए मैनिफोल्ड मेटा-लर्निंग फ्रेमवर्क का एक पूर्णतः प्रोबेबिलिस्टिक विस्तार प्रस्तावित करता है।
यह शोध पत्र "फ्यूचर-फीडबैक स्किल इवोल्यूशन" (future-feedback skill evolution) का प्रस्ताव करता है, जो ओपन-एंडेड संवाद प्रतिक्रियाओं के मूल्यांकन की चुनौती को एक सत्यापन योग्य ऑफलाइन प्रेडिक्शन टास्क में परिवर्तित करता है, जिसमें मॉडल्स को यह पूर्वानुमान लगाने के लिए प्रशिक्षित किया जाता है कि क्या एक दी गई प्रतिक्रिया सकारात्मक या नकारात्मक आगामी उपयोगकर्ता संकेतों की ओर ले जाएगी, जिससे लाइव ट्रैफिक टेस्टिंग की आवश्यकता के बिना पुनरुत्पादक स्व-विकास (self-evolution) सक्षम हो जाता है।
यह शोध पत्र इनएक्सैक्ट स्कोर ऑरेकल एक्सेस (inexact score oracle access) का एक सटीक लक्षण वर्णन स्थापित करता है, यह सिद्ध करते हुए कि सब-गॉसियन (sub-Gaussian) धारणा से भी कमजोर कोई भी त्रुटि सुव्यवस्थित लक्ष्य वितरणों के लिए निष्पक्ष नमूनाकरण (unbiased sampling) को कठिन बना देती है, जिससे पिछले एल्गोरिदम-अज्ञेय परिणाम (algorithm-agnostic results) और सुदृढ़ होते हैं।
यह शोध पत्र एक डीप लर्निंग-आधारित सरोगेट मॉडल प्रस्तुत करता है, विशेष रूप से एक एलएसटीएम (LSTM) आर्किटेक्चर जिसमें कोंकैटिनेटेड कंडीशनिंग और एक फिक्स्ड-मेजरमेंट-स्टेप रिप्रेजेंटेशन का उपयोग किया गया है, जो विविध लोडिंग दरों और एडहेसन रिजीम्स में विस्कोइलास्टिक हर्ट्ज़ियन कॉन्टैक्ट्स में टाइम-रिज़ॉल्व्ड एडहेसिव फोर्सेज की तेजी से और सटीक भविष्यवाणी करता है, जिससे सॉफ्ट रोबोटिक्स और डिज़ाइन ऑप्टिमाइज़ेशन में रियल-टाइम अनुप्रयोग संभव होते हैं।