20856 पेपर
यह शोध पत्र RADIO1D को प्रस्तुत करता है, जो एक नवीन दृष्टिकोण है जो फिक्स्ड 2D पैच-आधारित फीचर्स पर निर्भरता को चुनौती देता है, और नॉलेज डिस्टिलेशन एवं ऑटोएनकोडिंग के माध्यम से छवियों को कॉम्पैक्ट, परिवर्तनीय-लंबाई वाले 1D टोकन अनुक्रमों में संकुचित करता है, जिससे लचीले सटीकता-दक्षता ट्रेड-ऑफ और विजन-लैंग्वेज मॉडल्स में श्रेष्ठ प्रदर्शन सक्षम होता है।
यह शोधपत्र एक आंशिक रूप से सिमुलेशन-मुक्त ढांचे को प्रस्तुत करता है जो फ्लो मैचिंग-प्रेरित विधियों का उपयोग करके रिफ्लेक्टिंग डायनेमिक्स के साथ श्रोडिंगर ब्रिजेस के कुशल प्रशिक्षण को सक्षम बनाता है, जो उच्च-आयामी इमेज डेटासेट्स पर जनरेटिव प्रदर्शन को बनाए रखते हुए या उसमें सुधार करते हुए नगण्य कम्प्यूटेशनल ओवरहेड प्राप्त करता है।
ThreatVisionAI एक हाइब्रिड फ्रेमवर्क है जो रॉ-इमेज CNNs, वेवलेट-आधारित CNNs और विजन ट्रांसफॉर्मर्स को संयोजित करता है ताकि पूरक स्थानिक (spatial), आवृत्ति-डोमेन (frequency-domain) और वैश्विक संबंधपरक (global relational) विशेषताओं को प्रभावी ढंग से कैप्चर करके स्टेट-ऑफ-द-आर्ट मालवेयर फैमिली क्लासिफिकेशन सटीकता प्राप्त की जा सके।
यह शोधपत्र इन-कॉन्टेक्स्ट लर्निंग थ्योरी को अनुक्रमिक रूप से सह-संबंधित डेटा (sequentially correlated data) तक विस्तारित करता है, जो यह प्रकट करता है कि ऐसे सहसंबंध प्रभावी कॉन्टेक्स्ट लंबाई को कम कर देते हैं जब क्वेरी स्वतंत्र होती हैं, लेकिन टेस्ट एरर में सुधार करते हैं जब क्वेरी भी सह-संबंधित होती हैं, जिससे लीनियर और सॉफ्टमैक्स अटेंशन आर्किटेक्चर के बीच इष्टतम चयन प्रभावित होता है।
यह शोध पत्र MiPO को प्रस्तुत करता है, जो एक ऐसी विधि है जो अतिरिक्त इमेज डेटा या बाहरी रिवॉर्ड मॉडल की आवश्यकता के बिना, अल्पसंख्यकीय डेटा वितरण के प्रति धारणा में सुधार करने के लिए अल्पसंख्यक प्राथमिकता अनुकूलन (minority preference optimization) के साथ पूर्व-प्रशिक्षित मॉडलों को फाइन-ट्यून करके डिफ्यूजन मॉडल्स के अल्पसंख्यक क्षेत्रों में ज़ीरो-शॉट वर्गीकरण प्रदर्शन को बढ़ाता है।
यह शोध पत्र प्रदर्शित करता है कि एक डिस्क्रिमिनेटिव क्लासिफिकेशन हेड के साथ छोटे भाषा मॉडलों (3B पैरामीटर्स से कम) को फाइन-ट्यून करना लेबल जनरेशन दृष्टिकोणों की तुलना में काफी बेहतर प्रदर्शन करता है, जो मल्टी-चॉइस बेंचमार्क पर अत्याधुनिक परिणाम प्राप्त करता है और बहुत बड़े ज़ीरो-शॉट मॉडलों का मुकाबला करता है।
यह शोध पत्र AMF-VI-sEMA प्रस्तुत करता है, जो एक दो-चरणीय ढांचा है जो विविध विशेषज्ञों को स्वतंत्र रूप से प्रशिक्षित करके और फिर विषम ज्यामिति (heterogeneous geometries) के बीच मजबूत पश्च वितरण सन्निकटन (posterior approximation) प्राप्त करने के लिए सिम्प्लेक्स एक्सपोनेंशियल मूविंग एवरेज के माध्यम से एक स्थिर, डेटा-अज्ञेय वैश्विक भारिंग तंत्र लागू करके नॉर्मलाइजिंग फ्लो मिश्रणों को बढ़ाता है, जिससे घटक पतन (component collapse) को रोका जा सके।
वीव (Weave) एक नियतात्मक (deterministic), क्लाइंट-साइड टूल है जो लेयर्ड ग्राफ लेआउट का उपयोग करके SPICE नेटलिस्ट को LTspice स्कीमैटिक्स में परिवर्तित करता है और एक कठोर राउंड-ट्रिप सत्यापन प्रक्रिया के माध्यम से 100% कनेक्टिविटी सटीकता की गारंटी देता है, जो मानक और बड़े पैमाने के सर्किट बेंचमार्क पर संभाव्य लर्निंग-आधारित दृष्टिकोणों की तुलना में काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र स्ट्रॉन्ग लॉटरी टिकट हाइपोथेसिस के लिए एक एकीकृत ढांचे को प्रस्तुत करता है जो टाइट क्वांटाइज्ड गारंटी प्राप्त करने के लिए डिस्क्रीट सेटिंग्स में रैंडम सबसेट सम प्रॉब्लम का विश्लेषण करता है, जो पूर्व परिणामों में घातांकीय रूप से सुधार करता है और स्वाभाविक रूप से निरंतर और क्वांटाइज्ड दोनों प्रतिमानों को सीमित मामलों के रूप में समाहित करता है।
यह शोध पत्र SALT प्रस्तुत करता है, जो दीर्घ-रूप (long-form) LLM जनरेशन के मूल्यांकन के लिए नियत ग्राउंड ट्रुथ्स (deterministic ground truths) वाला एक बेंचमार्क है, जो यह प्रकट करता है कि जहाँ तर्क (reasoning) सटीकता में सुधार करता है, वहीं यह आत्मविश्वास रैंकिंग (confidence ranking) को कम करता है, और त्रुटि प्रसार (error propagation) भ्रष्ट प्रीफिक्स (corrupted prefixes) और बढ़ते उत्तर-संदर्भ लंबाई (answer-context length) दोनों से प्रेरित होता है।