20950 पेपर
SynLaD एक लेटेंट डिफ्यूजन फ्रेमवर्क है जो 3D फार्माकोफोर-कंडीशन्ड मॉलिक्यूलर जनरेशन को सिंथेटिक एक्सेसिबिलिटी के साथ एकीकृत करता है, जो आकार-संरेखित अणुओं और व्यवहार्य संश्लेषण पथों को समान रूप से उत्पन्न करने के लिए एक साझा लेटेंट स्पेस सीखने के माध्यम से कार्य करता है।
यह शोध पत्र म्यूऑन (Muon) ऑप्टिमाइज़र की एक यांत्रिक व्याख्या प्रस्तावित करता है जो इसे एक अंतर्निहित अवशिष्ट जुड़ाव (implicit residual connection) के रूप में देखता है जो डाउनस्ट्रीम परतों के लिए प्रतिनिधित्व संरक्षण (representation preservation) में सुधार करने हेतु तात्कालिक ग्रेडिएंट निष्ठा (gradient fidelity) का त्याग करता है, जिससे इसकी प्रभावकारिता के लिए एक वैचारिक स्पष्टीकरण और स्थानीय अवतरण (local descent) एवं डाउनस्ट्रीम उपयोगिता के बीच संतुलन बनाने के लिए एक नया डिज़ाइन परिप्रेक्ष्य प्राप्त होता है।
ZO-Act एक कुशल ज़ीरो-ऑर्डर फाइन-ट्यूनिंग विधि है जो गड़बड़ी (perturbations) को एक निश्चित, एक्टिवेशन-सूचित लो-रैंक सबस्पेस तक सीमित करके मौजूदा दृष्टिकोणों में सुधार करती है, जिससे एस्टिमेटर वेरिएंस कम होता है और मोमेंटम-आधारित अनुकूलन सक्षम होता है, साथ ही यह क्वांटाइज्ड लार्ज लैंग्वेज मॉडल्स का समर्थन भी करती है।
यह शोध पत्र GAIA को प्रस्तुत करता है, जो एक ज्यामिति-अनुकूलनकारी ऑपरेटर लर्निंग मॉडल है जो सीमा और आंतरिक विशेषताओं को टोकन में एनकोड करके इंटीग्रल ट्रांसफॉर्म्स को कंडिशन करके, किसी भी मनमाने डोमेन पर फॉरवर्ड और इनवर्स पार्शियल डिफरेंशियल इक्वेशन समाधान को एकीकृत करता है, जिससे बिना पुनरप्रशिक्षण या पुनरावृत्ति अनुकूलन के अत्याधुनिक सटीकता प्राप्त होती है।
यह शोध पत्र ER-JEPA प्रस्तुत करता है, जो हृदय रोग विशेषज्ञों के नैदानिक दृष्टिकोण से प्रेरित एक हल्का स्व-पर्यवेक्षित शिक्षण ढांचा (self-supervised learning framework) है, जो न्यूनतम कम्प्यूटेशनल संसाधनों के साथ 12-लीड ईसीजी (ECG) डेटा पर अत्याधुनिक प्रदर्शन प्राप्त करने के लिए विजन ट्रांसफार्मर बैकबोन के साथ एक पदानुक्रमित-JEPA आर्किटेक्चर का उपयोग करता है।
यह शोध पत्र नमूना-आधारित जनरेटिव मॉडलों के लिए एक निर्णय-जागरूक (decision-aware) प्रशिक्षण ढांचे का प्रस्ताव करता है जो मानक प्रॉपर स्कोरिंग नियमों को एक अवकलनीय निर्णय हानि (differentiable decision loss) के साथ संवर्धित करता है ताकि संभाव्य पूर्वानुमानों को डाउनस्ट्रीम लागत संरचनाओं के साथ संरेखित किया जा सके, जिससे पूर्ण संभाव्य निष्ठा बनाए रखते हुए लागत-संवेदनशील क्षेत्रों में प्रदर्शन में सुधार किया जा सके।
यह शोध पत्र एक एडवरसेरियल जनरेटर-डिस्क्रिमिनेटर फ्रेमवर्क प्रस्तावित करता है जो विविधता पतन (diversity collapse) और रिवॉर्ड हैकिंग (reward hacking) जैसे सामान्य RLVR विफलता मोड को कम करने के लिए मानव प्रदर्शनों से प्राप्त एक सीखे हुए संकेत के साथ सत्यापन योग्य पुरस्कारों को बढ़ाता है, जिससे कार्य सटीकता और शैली एवं संरचना जैसे गैर-सत्यापन योग्य मानव-समान गुणों दोनों को सफलतापूर्वक अनुकूलित किया जा सके।
यह शोध पत्र न्यूरल सर्टिफिकेट प्राइसिंग (NCP) को प्रस्तुत करता है, जो एक अनसुपरवाइज्ड लर्निंग फ्रेमवर्क है जो कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन में एक्सपोनेंशियल सर्च और पॉलिनॉमियल वेरिफिकेशन के बीच की विषमता का लाभ उठाता है, जिससे न्यूरल नेटवर्क को सर्टिफिकेट-लेवल ड्यूल प्राइसेस (dual prices) की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है, और इस प्रकार काफी कम गणना समय के साथ अत्याधुनिक प्रदर्शन और मजबूत सामान्यीकरण (generalization) प्राप्त किया जाता है।
यह शोध पत्र सात क्वांटम और क्लासिकल मशीन लर्निंग मॉडल युग्मों का एक एकीकृत अनुभवजन्य तुलना प्रस्तुत करता है, जिसमें यह पाया गया है कि हालांकि वर्तमान क्वांटम मॉडल अभी तक भविष्यवाणी, स्थिरता या प्रशिक्षण समय में क्लासिकल बेसलाइन से बेहतर प्रदर्शन नहीं करते हैं, फिर भी वे शोर निस्पंदन (noise filtering) और फाल्स पॉजिटिव नियंत्रण के लिए आशाजनक हैं, जबकि साथ ही हार्डवेयर, दक्षता और अभिसरण (convergence) में प्रमुख चुनौतियों को भी रेखांकित करते हैं।
यह शोध पत्र GPUSLS-LEO प्रस्तुत करता है, जो एक GPU-समानांतर फ्रेमवर्क है जो उच्च-आयामी अनिश्चित गैररेखीय प्रणालियों के लिए वास्तविक समय में, औपचारिक रूप से सत्यापित सुदृढ़ इष्टतम नियंत्रण को सक्षम करने हेतु एनालिटिक और न्यूरल नेटवर्क डायनेमिक्स दोनों के लिए सटीक, विभेदनीय लीनियराइजेशन एरर बाउंड्स की गणना करता है।