20472 पेपर
यह शोध पत्र प्रदर्शित करता है कि फेडरेटेड लर्निंग (Federated Learning) वितरित ड्रोन बेड़े को स्थानीय डेटा पर उच्च-प्रदर्शन वाले, गोपनीयता-संरक्षित ऑब्जेक्ट डिटेक्शन मॉडल को सहयोगात्मक रूप से प्रशिक्षित करने में सक्षम बनाता है, जो डेटा केंद्रीकरण की आवश्यकता के बिना, एकल-ड्रोन दृष्टिकोणों की तुलना में काफी बेहतर प्रदर्शन करते हुए केंद्रीकृत प्रशिक्षण के करीब प्रदर्शन प्राप्त करता है।
यह शोध पत्र एक जनरेटर-अज्ञेय पोस्ट-जनरेशन क्यूरेशन पद्धति प्रस्तुत करता है जो वास्तविक वर्गों को कैनोनिकल और गैर-अतिरेक उपसमूहों में विभाजित करके सिंथेटिक छवियों की उपयोगिता में सुधार करती है ताकि एक विविध, उच्च-निष्ठा वाले उपसमूह का चयन किया जा सके जो आधुनिक जनरेटर्स के संरचनात्मक पूर्वाग्रह का मुकाबला करता है, जिससे 40% तक कम नमूनों के साथ वास्तविक डेटा के तुलनीय प्रदर्शन प्राप्त होता है।
यह शोध पत्र यह प्रदर्शित करता है कि, मानक डीप लर्निंग मॉडल्स के विपरीत जहाँ ओवरफिटिंग सौम्य (benign) हो सकती है, डिफ्यूजन मॉडल्स मौलिक रूप से ओवरफिटिंग करते हुए अच्छा सामान्यीकरण (generalization) प्राप्त नहीं कर सकते क्योंकि स्कोर मैचिंग में टार्गेट-कोवेरिएंस अलाइनमेंट का अभाव होता है, जिसके परिणामस्वरूप डबल डिसेंट के बजाय एक क्लासिकल यू-आकार का जनरलाइजेशन कर्व प्राप्त होता है।
यह शोध पत्र ASK+ प्रस्तुत करता है, जो एक ऐसा ढांचा है जो अप्रभावी नग्न प्रॉम्प्ट्स (bare prompts) को प्रक्षेपवक्र-जागरूक संदर्भ (trajectory-aware context) और चेन-ऑफ-थॉट रीजनिंग से बदलकर आंशिक रूप से दृश्य वातावरण (partially observable environments) में सुदृढीकरण सीखने (reinforcement learning) वाले एजेंटों को बेहतर बनाता है, जिससे छोटे भाषा मॉडलों को अर्थपूर्ण, अनिश्चितता-गेटेड मार्गदर्शन प्रदान करने में सक्षम बनाया जा सके जो वैनिला दृष्टिकोणों की तुलना में काफी बेहतर प्रदर्शन करता है और बड़े मॉडलों की आवश्यकता के बिना कुशलतापूर्वक स्केल होता है।
यह शोधपत्र संवेदनशीलता-आधारित सैंपलिंग (sensitivity-based sampling) के माध्यम से रिज़ॉल्यूशन-निर्भर वेटेड कोरेसेट्स (resolution-dependent weighted coresets) का निर्माण करके 3D गॉसियन स्प्लेटिंग दृश्यों को कंप्रेस करने के लिए पहला सैद्धांतिक रूप से आधारित तरीका प्रस्तुत करता है, जो रेंडरिंग उद्देश्यों को प्रमाणित रूप से सुरक्षित रखता है और न्यूनतम या बिना किसी पोस्ट-प्रूनिंग फाइन-ट्यूनिंग के अत्याधुनिक प्रदर्शन प्राप्त करता है।
CodeJeNN एक ऐसा टूल है जो प्रशिक्षित Keras मॉडल्स से आत्मनिर्भर C++ इन्फरेंस कोड को ऑटो-जेनरेट करके, पायथन-आधारित मशीन लर्निंग और हाई-परफॉर्मेंस C++ फिजिक्स सॉल्वर्स के बीच के प्रदर्शन अंतराल को पाटता है, जिससे बाहरी निर्भरताओं को समाप्त किया जा सके और सटीकता से समझौता किए बिना महत्वपूर्ण गति प्राप्त की जा सके।
यह शोध पत्र लैग्रेंजियन रिवॉर्ड ऑग्मेंटेशन (LARA) का प्रस्ताव करता है, जो एक सामान्य इन्फरेंस-टाइम अलाइनमेंट फ्रेमवर्क है जो सुरक्षा बाधाओं को लागू करने के लिए एक ड्यूल वेरिएबल के माध्यम से संवर्धित रिवॉर्ड सिग्नल को गतिशील रूप से कैलिब्रेट करता है ताकि बिना रिट्रेनिंग के हेल्पफुलनेस-हारmlessness ट्रेडऑफ में सुधार किया जा सके और फाइनट्यूनिंग-आधारित विधियों के प्रदर्शन के करीब पहुँचा जा सके।
यह शोध पत्र प्रदर्शित करता है कि ट्रांसफॉर्मर में इंडक्शन हेड्स (induction heads) एक परिष्कृत इन-कॉन्टेक्स्ट लर्निंग तंत्र को लागू करते हैं जो सॉफ्ट कॉन्टेक्स्ट-मैचिंग इंटरपोलेशन (soft context-matching interpolation) को एडिटिव स्यूडो-काउंट स्मूथिंग (additive pseudo-count smoothing) के साथ जोड़ता है, जो शास्त्रीय काउंट-आधारित बेसलाइनों से बेहतर प्रदर्शन करने के लिए अनुमान को प्रभावी ढंग से नियमित करता है।
यह शोध पत्र BDLM Mamba-H को प्रस्तुत करता है, जो एक हाइब्रिड डिफ्यूजन लैंग्वेज मॉडल है जो सटीक कैशिंग (exact caching) को सक्षम करने के लिए सक्रिय डिनोइजिंग ब्लॉक्स (active denoising blocks) तक द्विदिश मम्बा स्कैनिंग (bidirectional Mamba scanning) को सीमित करता है, जिससे मौजूदा फुल-सीक्वेंस और अटेंशन-आधारित डिफ्यूजन बेसलाइनों की तुलना में बेहतर परप्लेक्सिटी (perplexity) और काफी अधिक लॉन्ग-कॉन्टेक्स्ट इन्फरेंस थ्रूपुट प्राप्त होता है।
यह शोध पत्र Sparse-Reslim को प्रस्तुत करता है, जो एक पैरामीटर-मुक्त रूटिंग मॉड्यूल है जो केवल महंगे ट्रांसफार्मर ब्लॉक्स के माध्यम से टोकन के एक विरल (sparse) उपसमूह को संसाधित करके और रेसिडुअल डेल्टा अपडेट के माध्यम से पूर्ण-ग्रिड प्रतिनिधित्वों को संरक्षित करके, पूर्वानुमान की गुणवत्ता से समझौता किए बिना महत्वपूर्ण गति और मेमोरी में कमी प्राप्त करते हुए ViT-आधारित मौसम पूर्वानुमान की दक्षता और सटीकता में सुधार करता है।