20950 पेपर
यह शोध पत्र प्रदर्शित करता है कि सीमित सुसंगत क्वांटम मेमोरी (coherent quantum memory) स्टेबलाइजर स्टेट टेस्टिंग और लर्निंग के बीच सामान्य पृथक्करण को समाप्त कर देती है, जिससे दोनों कार्यों के लिए अनियंत्रित मेमोरी के साथ प्राप्त होने वाली निरंतर या उप-रैखिक जटिलताओं के बजाय, क्यूबिट्स की संख्या में रैखिक सैंपल जटिलता (linear sample complexity) की आवश्यकता होती है।
यह शोध पत्र प्रदर्शित करता है कि मैट्रिक्स-संरचित ऑप्टिमाइज़र, विशेष रूप से SOAP और SOAP-Muon, मशीन लर्निंग इंटरएटोमिक पोटेंशियल के प्रशिक्षण में मानक Adam ऑप्टिमाइज़र की तुलना में तेज़ अभिसरण (convergence) और उच्च सटीकता प्राप्त करके, विशेष रूप से आंशिक बल पर्यवेक्षण (partial force supervision) की स्थितियों के तहत, काफी बेहतर प्रदर्शन करते हैं।
यह शोध पत्र प्रोग्राम-एज़-वेट्स (PAW) को प्रस्तुत करता है, जो एक ऐसा प्रतिमान (पैराडाइम) है जो प्राकृतिक-भाषा विनिर्देशों (नेचुरल-लैंग्वेज स्पेसिफिकेशन्स) को संक्षिप्त, स्थानीय रूप से निष्पादित होने वाले न्यूरल एडेप्टर में संकलित करता है, जिससे एक छोटे, फ्रोजन इंटरप्रेटर को बहुत बड़े फाउंडेशन मॉडल्स के प्रदर्शन के बराबर पहुँचने में सक्षम बनाया जाता है और साथ ही इन्फरेंस लागतों को नाटकीय रूप से कम करने और ऑफलाइन निष्पादन को सक्षम करने में मदद मिलती है।
यह शोध पत्र LACUNA को प्रस्तुत करता है, जो LLM अनलर्निंग (unlearning) का मूल्यांकन करने के लिए ग्राउंड-ट्रुथ पैरामीटर-स्तरीय लोकलाइजेशन (localization) वाला पहला टेस्टबेड है, जो यह प्रकट करता है कि जबकि वर्तमान अत्याधुनिक विधियाँ आउटपुट स्तर पर अच्छा प्रदर्शन करती हैं, उनमें विशिष्ट ज्ञान-वहन करने वाले मापदंडों (parameters) को लक्षित करने में सटीकता का अभाव है और वे रिसर्फेसिंग हमलों (resurfacing attacks) के प्रति संवेदनशील बनी रहती हैं।
यह शोध पत्र एक नवीन हाई-लेवल सिंथेसिस पद्धति प्रस्तुत करता है जो एक यूनिफॉर्म रैंडम नंबर जनरेटर हार्डवेयर डिज़ाइन को उत्पन्न करने, सिम्युलेट करने और सत्यापित करने के लिए लार्ज लैंग्वेज मॉडल्स और विशेष रूप से ओपन-सोर्स टूल्स का लाभ उठाता है, जिससे IoT और प्रोटोटाइपिंग के लिए डोमेन-विशिष्ट ASICs बनाने की प्रवेश बाधा को काफी कम किया जा सकता है।
यह शोध पत्र DualDynamics को प्रस्तुत करता है, जो एक नवीन ढांचा (framework) है जो अनियमित और अपूर्ण समय श्रृंखला डेटा (time series data) को संभालने में मौजूदा विधियों की सीमाओं को दूर करने के लिए न्यूरल डिफरेंशियल इक्वेशंस (Neural Differential Equations) और न्यूरल फ्लोज़ (Neural Flows) को तालमेलपूर्ण रूप से संयोजित करता है, जिससे वर्गीकरण, इंटरपोलेशन और पूर्वानुमान कार्यों में बेहतर प्रदर्शन प्राप्त होता है।
यह अध्ययन एक मशीन लर्निंग दृष्टिकोण प्रस्तावित करता है जो प्रारंभिक *C. elegans* भ्रूणजनन में कोशिका पहचान की सटीक भविष्यवाणी करने के लिए सेल प्रक्षेपवक्र (cell trajectory) और भाग्य संबंधी जानकारी (fate information) जैसे सरल स्थानिक-कालिक (spatio-temporal) विशेषताओं का लाभ उठाता है, जो पारंपरिक सेल ट्रैकिंग विधियों के एक तेज़ विकल्प के रूप में 91% से अधिक सटीकता प्रदान करता है।
यह शोध पत्र न्यूरल स्टोकेस्टिक डिफरेंशियल इक्वेशन्स (लैंग्विन-प्रकार, लीनियर नॉइज़, और ज्योमेट्रिक) की तीन स्थिर श्रेणियों का प्रस्ताव करता है जो सावधानीपूर्वक डिज़ाइन किए गए ड्रिफ्ट और डिफ्यूजन फंक्शनों के माध्यम से वितरण बदलावों (डिस्ट्रीब्यूशन शिफ्ट्स) के विरुद्ध मजबूती सुनिश्चित करके और ओवरफिटिंग को रोककर, टाइम सीरीज़ डेटा में अनियमित सैंपलिंग और लुप्त मानों की चुनौतियों को प्रभावी ढंग से संबोधित करती हैं।
यह शोध पत्र स्वायत्त मशीनों में हार्डवेयर दोष सहिष्णुता के लिए प्रॉक्सिमल पॉलिसी ऑप्टिमाइज़ेशन (PPO) और सॉफ्ट एक्टर-क्रिटिक (SAC) एल्गोरिदम का पहला व्यवस्थित तुलनात्मक अध्ययन प्रस्तुत करता है, जो यह मूल्यांकन करता है कि विभिन्न ज्ञान-स्थानांतरण रणनीतियाँ विभिन्न कार्य जटिलताओं के बीच रिकवरी गति और प्रदर्शन को कैसे प्रभावित करती हैं।
यह शोध पत्र एक सुदृढीकरण शिक्षण (Reinforcement Learning) दृष्टिकोण प्रस्तुत करता है जो केवल स्टीयरिंग कोण आउटपुट का उपयोग करके, पाठ्यक्रम शिक्षण (curriculum learning) और व्याख्यात्मक विश्लेषण के माध्यम से प्रमाणित, 2 मीटर/सेकंड से 7 मीटर/सेकंड की गति सीमा में एक आभासी व्हिपल (Whipple) साइकिल मॉडल को जटिल पथों का अनुसरण करने और पार्श्व स्थिरता बनाए रखने में सफलतापूर्वक सक्षम बनाता है।