20856 पेपर
यह शोधपत्र DMVM का प्रस्ताव करता है, जो एक नवीन ढांचा है जो टास्क अरिथमेटिक (task arithmetic) और सुरक्षित एकत्रीकरण (secure aggregation) का लाभ उठाकर मल्टी-टास्क डेटासेटों के कुशल, गोपनीयता-संरक्षित और विकेंद्रीकृत मूल्यांकन को सक्षम बनाता है, जिससे डेटा साझा किए बिना या पुनरप्रशिक्षण (retraining) की आवश्यकता के बिना सीधे मॉडल मापदंडों से योगदान का अनुमान लगाया जा सके।
यह शोध पत्र मल्टीस्केल सिंगल-इंडेक्स मॉडल के वीनर केओस (Wiener chaos) संरचना का सूक्ष्म विश्लेषण करने के लिए एडजवर्थ एक्सपेंशन (Edgeworth expansions) का उपयोग करता है, जिससे शैलो-नेटवर्क एप्रोक्सिमेशन लोअर बाउंड्स स्थापित होते हैं और यह सिद्ध होता है कि ऑनलाइन SGD सैंपल कॉम्प्लेक्सिटी के साथ लगभग-पूर्ण रिकवरी प्राप्त करता है, जो इसके लीनियर काउंटरपार्ट की दक्षता से मेल खाता है।
यह शोध पत्र प्रकट करता है कि विज़न-लैंग्वेज मॉडल दृश्य सूचना प्रवाह के लिए दो विशिष्ट, कार्य-निर्भर मार्गों—एक प्रत्यक्ष मार्ग और एक टेक्स्ट-मध्यस्थ मार्ग—का उपयोग करते हैं जो उल्लेखनीय लचीलापन प्रदर्शित करते हैं और विशिष्ट हस्तक्षेपों के तहत एक फॉलबैक तंत्र में स्विच कर सकते हैं।
यह शोध पत्र CaSPECT को प्रस्तुत करता है, जो एक कारण स्पेक्ट्रल क्लस्टरिंग (causal spectral clustering) ढांचा है जो एक सुदृढ़ रूप से उन्मुख निर्देशित अचक्रीय ग्राफ (directed acyclic graph) की टोपोलॉजी और किनारों के भार (edge weights) के आधार पर व्यक्तियों को एम्बेड करके कारण-रूप से सजातीय उपसमूहों (causally homogeneous subgroups) की पहचान करता है, जिससे पूर्व-निर्धारित प्रोपेंसिटी मॉडल के बिना सुसंगत उपचार प्रभाव अनुमान (treatment effect estimation) सक्षम होता है।
यह शोध पत्र DP-DiPP को प्रस्तुत करता है, जो एक स्केलेबल डिफरेंशियल प्राइवेट इमेज कंप्रेशन फ्रेमवर्क है जो उच्च-आयामी डेटा के लिए मजबूत गोपनीयता गारंटी और उपयोगिता बनाए रखते हुए काफी उच्च संपीड़न दर (10-30 गुना बेहतर) प्राप्त करने के लिए डिफ्यूजन मॉडल्स के साथ स्टोकेस्टिक कोड्स को जोड़ता है।
यह शोध पत्र एमोर्टाइज्ड सीक्वेंशियल इंफॉर्मेशन गैदरिंग (ASIG) को प्रस्तुत करता है, जो एक फाइन-ट्यूनिंग विधि है जो LLM नीतियों में बेयसियन एक्सपेरिमेंटल डिज़ाइन को एकीकृत करती है ताकि 20 प्रश्न (20 Questions) और मेडिकल डायग्नोसिस जैसे कार्यों में अनुक्रमिक सूचना एकत्र करने की दक्षता और सफलता दर में उल्लेखनीय सुधार किया जा सके और साथ ही इन्फरेंस लागत को भारी रूप से कम किया जा सके।
यह शोध पत्र बेस्ट-ऑफ-बेटर- (BoBN) को प्रस्तुत करता है, जो एक इन-कॉन्टेक्स्ट लर्निंग फ्रेमवर्क है जो उच्च-पुरस्कार वाले उदाहरणों को रिट्रीव और रीस्टाइल करके मॉडल के सैंपलिंग डिस्ट्रीब्यूशन को बेहतर प्रतिक्रियाओं की ओर स्थानांतरित करके इन्फरेंस-टाइम अलाइनमेंट में सुधार करता है, जिससे पारंपरिक बेस्ट-ऑफ- विधियों की तुलना में कम जनरेटेड उम्मीदवारों के साथ उत्कृष्ट प्रदर्शन प्राप्त होता है।
यह शोधपत्र WorldBagel को प्रस्तुत करता है, जो BAGEL आर्किटेक्चर पर निर्मित एक एकीकृत विजन-लैंग्वेज-एक्शन-वर्ल्ड मॉडलिंग फ्रेमवर्क है, जो यह प्रदर्शित करता है कि मल्टीमॉडल जनरेशन और वर्ल्ड मॉडलिंग को एकीकृत करने से विविध रोबोटिक मैनिपुलेशन कार्यों में कार्य-विशिष्ट विकल्पों की तुलना में बेहतर प्रदर्शन और अधिक संरचित एक्शन रिप्रजेंटेशन प्राप्त होता है।
यह शोध पत्र SMM4H-HeaRD 2026 चुनौती के लिए CaresAI प्रणाली प्रस्तुत करता है, जो TNM स्टेजिंग की भविष्यवाणी करने के लिए TCGA पैथोलॉजी रिपोर्टों पर विभिन्न मशीन लर्निंग और डीप लर्निंग मॉडलों का उपयोग करता है, जो प्रशिक्षण के दौरान मजबूत प्रदर्शन प्राप्त करता है लेकिन परीक्षण सेटों पर मूल्यांकन के दौरान महत्वपूर्ण सामान्यीकरण चुनौतियों और वर्ग असंतुलन के प्रति संवेदनशीलता को प्रकट करता है।
यह शोध पत्र म्यूचुअल इंफॉर्मेशन अनुमानकों (mutual information estimators) का मूल्यांकन करने के लिए विविध सिंथेटिक और वास्तविक दुनिया के परीक्षणों के साथ एक व्यापक, कोपुला-सैद्धांतिक (copula-theoretic) बेंचमार्किंग ढांचे को प्रस्तुत करता है, जो यह प्रकट करता है कि कोई भी एकल विधि सार्वभौमिक रूप से दूसरों से बेहतर प्रदर्शन नहीं करती है और गैर-पैरामीट्रिक, विभेदक (discriminative) तथा जनरेटिव श्रेणियों में विशिष्ट सीमाओं को उजागर करती है।