20650 पेपर
यह शोध पत्र उन कार्यों की पहचान करने के लिए कोड जनरेशन बेंचमार्क का विश्लेषण करता है जहाँ लार्ज लैंग्वेज मॉडल्स लगातार विफल होते हैं, जो चार आवर्ती कमजोरी पैटर्न और सामान्य कार्य जटिलताओं को प्रकट करता है जो प्रदर्शन में बाधा डालते हैं।
यह शोध पत्र QiVC-Net प्रस्तुत करता है, जो एक नवीन क्वांटम-प्रेरित वेरिएशनल कनवल्शनल नेटवर्क है जो बिना पैरामीटर्स बढ़ाए संरचित अनिश्चितता को मॉडल करने के लिए एक डिफरेंशिएबल रोटेटेड एन्सेम्बल तंत्र का उपयोग करता है, और बेंचमार्क बायोसिग्नल डेटासेट पर फोनोकार्डियोग्राम वर्गीकरण में अत्याधुनिक प्रदर्शन प्राप्त करता है।
SpatialThinker एक नवीन मल्टीमॉडल लार्ज लैंग्वेज मॉडल है जो डेंस स्पेशियल रिवॉर्ड्स के साथ ऑनलाइन रीइन्फोर्समेंट लर्निंग का उपयोग करके एक ही पास में सीन ग्राफ जनरेशन और विजुअल रीजनिंग को एकीकृत करता है, जिससे सीमित प्रशिक्षण डेटा के साथ भी स्थानिक बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त होता है।
यह शोध पत्र एक मॉडल-मुक्त, न्यूरल नेटवर्क-आधारित अंशांकन (कैलिब्रेशन) विधि प्रस्तुत करता है जो सेंसर लेवलिंग या रोटेशन की आवश्यकता के बिना कम लागत वाले स्थिर एक्सेलेरोमीटर में बायस का सटीक अनुमान लगाता है, और पारंपरिक तकनीकों की तुलना में 52% से अधिक कम त्रुटि दर प्राप्त करता है।
यह शोधपत्र नॉनलीनियर (nonlinear), नॉन-गॉसियन (non-Gaussian) स्टेट-स्पेस मॉडल्स में स्टेट एस्टिमेशन के लिए रिकर्सिव फॉरवर्ड-बैकवर्ड एल्गोरिदम के एक वर्ग को प्रस्तुत करता है, जिसे एक वेरिएशनल लैग्रेंजियन फॉर्मूलेशन (variational Lagrangian formulation) से व्युत्पन्न किया गया है जो अनुकूल कम्प्यूटेशनल कॉम्प्लेक्सिटी प्राप्त करने के लिए एंट्रोपिक ट्रस्ट-रीजन अपडेट्स (entropic trust-region updates), गॉस-मार्कोव एप्रोक्सिमेशन्स (Gauss-Markov approximations) और जनरलाइज्ड स्टैटिस्टिकल लीनियर रिग्रेशन (generalized statistical linear regression) का उपयोग करता है।
यह अध्ययन प्रदर्शित करता है कि जबकि बेसलाइन कोलमोगोरोव-आर्नोल्ड नेटवर्क (KAN) प्रशिक्षण के दौरान तेजी से अभिसरित (converge) होते हैं, लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM) नेटवर्क स्टोकेस्टिक, गैर-स्थिर वित्तीय समय श्रृंखला (stochastic, non-stationary financial time series) के लिए उनकी तुलना में पूर्वानुमानित सटीकता में काफी बेहतर प्रदर्शन करते हैं, जिससे सटीकता-महत्वपूर्ण पूर्वानुमान कार्यों के लिए LSTM को एक श्रेष्ठ विकल्प के रूप में स्थापित किया गया है।
यह शोध पत्र असीमित निरंतर अवस्था स्थानों (unbounded continuous state spaces) में नियंत्रित प्रसार प्रक्रियाओं (controlled diffusion processes) के लिए एक अनुकूली विभाजन मॉडल-आधारित सुदृढीकरण शिक्षण एल्गोरिदम (adaptive partitioning model-based reinforcement learning algorithm) प्रस्तावित करता है, जो एक नवीन ज़ूमिंग आयाम (zooming dimension) पर निर्भर रिग्रेट बाउंड्स (regret bounds) स्थापित करता है और बहु-परिसंपत्ति पोर्टफोलियो चयन जैसे उच्च-आयामी वित्तीय अनुप्रयोगों में प्रभावशीलता प्रदर्शित करता है।
यह शोध पत्र एक एकीकृत, अनसुपरवाइज्ड डिफ्यूजन-आधारित ढांचे को प्रस्तुत करता है जो 3D निर्देशांकों और डिस्क्रीट फीचर्स दोनों पर एक निरंतर प्रायिकता प्रवाह (प्रोबेबिलिटी फ्लो) को मॉडल करके आउट-ऑफ-डिस्ट्रीब्यूशन आणविक परिसरों का पता लगाता है, जो ज्यामितीय डीप लर्निंग के लिए मजबूत, लेबल-मुक्त विश्वसनीयता अनुमान प्रदान करने के लिए लॉग-लाइक्लीहुड और मल्टी-स्केल ट्रजेक्टरी सांख्यिकी दोनों का लाभ उठाता है।
JADAI एक एंड-टू-एंड प्रशिक्षित फ्रेमवर्क है जो सूचना लाभ को अधिकतम करने और पैरामीटर अनुमान कार्यों में बेहतर प्रदर्शन प्राप्त करने के लिए डिफ्यूजन-आधारित पोस्टीरियर एस्टिमेटर्स का उपयोग करके बेयसियन एडेप्टिव डिज़ाइन और इन्फरेंस को संयुक्त रूप से एमोर्टाइज़ करता है।
यह शोध पत्र स्थापित करता है कि थॉम्पसन सैंपलिंग लीनियर-गौसियन बैंडिट्स में एक बेयसियन रिग्रेट बाउंड प्राप्त करती है जहाँ प्रायर-डिपेंडेंट बर्न-इन टर्म मिनिमैक्स रिग्रेट से योगात्मक रूप से डीकपल होती है, जो एक नए एलिप्टिकल पोटेंशियल लेम्मा के माध्यम से सिद्ध किया गया है और लॉगरिदमिक कारकों तक इष्टतम दिखाया गया है।